[TOC]

故事的开端：为什么我们需要Transformer？

在深入探讨如今炙手可热的Transformer模型及其内部的QKV向量之前，我们有必要先回顾一下历史，理解它究竟解决了什么样的问题。这就像在欣赏一座宏伟建筑时，先了解它为何要建在这里，以及它之前的建筑有何局限一样。在Transformer诞生之前，处理语言这类序列数据的王者是“循环神经网络”（Recurrent Neural Networks, RNN）。

传统方法：一次只读一个词的耐心读者

想象一下，你正在阅读一本非常长的小说。为了理解整个故事，你不能一口气读完，只能一个词一个词地读。每读一个新词，你就在脑海中更新对目前情节的理解，然后带着这个“记忆”去读下一个词。RNN的工作方式与此非常相似 1。它按顺序处理数据，每处理一个词（或时间步），都会将计算结果（一个称为“隐藏状态”的向量）作为记忆，传递给下一个词的处理过程。这种设计在理论上非常符合直觉，毕竟语言本身就是有先后顺序的。

然而，这种看似合理的设计在实践中遇到了两个致命的瓶颈。

瓶颈一：逐渐褪色的记忆（梯度消失问题）

让我们回到读小说的比喻。当你读到第50章时，你还能清晰地记得第1章某个不起眼但至关重要的细节吗？大概率是模糊不清的。RNN也面临同样的问题，这在技术上被称为“梯度消失问题”（Vanishing Gradient Problem）4。

信息在RNN的“记忆链”中每传递一步，都会有所损耗。对于简短的句子，比如“猫坐在垫子上”，RNN可以很好地理解“坐”这个动作与“猫”和“垫子”的关系。但对于一个长句子，比如“我今天上午去了位于城市另一端、我童年最喜欢去的那家书店，结果发现它已经关门了”，当模型处理到“它”这个词时，最初的“书店”这个关键信息可能已经变得非常微弱，难以捕捉 1。这种无法有效处理长距离依赖关系（long-range dependencies）的缺陷，极大地限制了RNN在复杂语言任务上的表现 4。

为了缓解这个问题，研究人员设计出了更复杂的RNN变体，如“长短期记忆网络”（Long Short-Term Memory, LSTM）和“门控循环单元”（Gated Recurrent Unit, GRU）1。它们引入了精巧的“门”机制，像智能的记忆管理员一样，决定哪些信息应该被长期保留，哪些应该被遗忘 2。这在一定程度上改善了长距离记忆问题，但并没有从根本上解决另一个更棘手的问题。

瓶颈二：无法避免的漫长等待（缺乏并行计算能力）

RNN的第二个，也是更根本的瓶颈，在于其工作流程的内在顺序性。你必须读完第四个词，才能开始读第五个词；模型必须处理完第 $t-1$ 个时间步，才能开始处理第 $t$ 个时间步 3。这个过程是严格串行的，无法并行处理。

在今天这个数据量爆炸、计算能力飞速发展的时代，这种串行处理方式成了一个巨大的效率瓶颈。训练一个强大的AI模型需要处理海量的数据（例如，GPT-3模型是在45TB的文本数据上训练的 4），如果只能一个词一个词地“啃”，那将耗费无法想象的时间。现代计算硬件，如GPU和TPU，其强大之处就在于能够同时执行成千上万个计算任务。RNN的串行特性使得这些硬件的并行计算能力无从发挥，就像一条拥有百车道的高速公路，却只允许一辆车通行 2。

突破：一种全新的阅读方式

正是在这样的背景下，Transformer横空出世。它彻底抛弃了RNN的循环结构和顺序处理的范式，提出了一种革命性的新思路。

如果说RNN是一个逐字阅读的读者，那么Transformer就像一个拥有超能力的读者，他可以把整本书的每一页都铺在面前，一览无余。他能同时看到第一章的“书店”和第五十章的“它”，并瞬间在这两个词之间建立直接联系，无论它们相隔多远 4。

实现这一“超能力”的核心技术，就是我们接下来要详细探讨的“注意力机制”（Attention Mechanism）。正是这种机制，让Transformer摆脱了顺序处理的束缚，实现了大规模的并行计算，同时完美地解决了长距离依赖问题。这一架构上的根本性转变，不仅带来了模型性能的飞跃，更重要的是，它极大地提高了训练效率，使得在海量数据上训练超大规模模型成为可能。可以说，没有Transformer的并行处理能力，就没有我们今天所熟知的“大语言模型”（LLM）时代。

为了更清晰地展示它们之间的差异，可以参考下表：

特性	传统模型 (RNN/LSTM)	Transformer 模型
数据处理方式	顺序处理，一次一个词	并行处理，一次处理整个序列
长距离依赖能力	较弱，受梯度消失问题影响	极强，通过注意力机制直接连接任意两个词
并行计算能力	差，内在的顺序性限制了并行化	极佳，是其核心优势，训练速度快
核心机制	循环（Recurrence）和门控（Gating）	自注意力机制（Self-Attention）

现在，我们已经了解了Transformer诞生的背景和它所要解决的核心问题。接下来，让我们深入其内部，揭开它最神奇的魔法——注意力机制以及QKV向量的神秘面纱。

Transformer的核心魔法：注意力机制与QKV向量

现在我们来回答你最关心的问题：那些听起来很酷的QKV向量到底是什么？要理解它们，我们首先要理解它们服务的对象——“注意力机制”。这套机制是整个Transformer模型的心脏和灵魂。

核心思想：并非所有词都生而平等

在理解一句话时，我们的大脑并不会对每个词给予同等的关注。例如，思考这句话：“那个动物没过马路，因为它太累了。”（The animal didn't cross the street because it was too tired.）6。

当我们读到“它”这个词时，为了准确理解其指代，我们的大脑会立即将注意力高度集中在“动物”这个词上，而对“马路”、“过”等词的关注度则会低很多。注意力机制就是模仿人类这种认知特性，让模型在处理一个词时，能够动态地评估句子中其他所有词对当前词的重要性，并赋予不同的“关注权重”6。

拆解注意力：QKV的图书馆研究员比喻

为了让这个过程更具体，让我们使用一个生动的比喻：图书馆研究系统。

想象一下，一句话中的每个词都是一位坐在图书馆里的研究员。为了完成自己的研究报告（也就是，在上下文中更深刻地理解自己），每一位研究员都需要从其他研究员那里获取信息。这个信息交换的过程，就是通过Query（查询）、Key（键）、Value（值）这三个向量来完成的。

对于句子中的每一个词，模型都会根据其原始的词向量（embedding），通过三个独立且可学习的权重矩阵（$W_q$, $W_k$, $W_v$），生成三个专属的向量：Query向量（Q）、Key向量（K）和Value向量（V）8。这三个向量扮演着不同的角色：

1. Query (Q) - 我的研究课题：

   这是当前研究员（词）主动发出的“信息需求”。它代表了“为了理解我自己，我正在寻找什么样的信息？”。在我们的例子中，当模型处理“它”这个词时，它的Query向量就好像发出了一份研究委托：“我正在寻找一个在这句话里提到的、可能是单数的、非人类的名词，并且这个名词可以作为‘太累了’的主语。” 6。

2. Key (K) - 我的专业领域标签：

   句子中的每一个词（包括“它”自己）都会生成一个Key向量。这个Key向量就像是每位研究员胸前佩戴的“专业领域”或“研究方向”的标签。它广而告之：“这是我所拥有的信息类型”。例如，“动物”的Key向量会表明：“我是一个单数、非人类的名词”。而“马路”的Key向量则会说：“我是一个地点名词”。7。

3. Value (V) - 我的研究成果：

   同样，句子中的每一个词也都有一个Value向量。这代表了该词所拥有的“实质性信息”或“深层含义”，就像是研究员书桌上那份详尽的研究报告本身 7。

信息匹配与加权过程

现在，整个信息交换流程变得清晰了：

• 第一步：匹配查询与标签 (Q vs. K)

  “它”研究员，拿着自己的Query（研究课题），去图书馆里逐一查看每一位研究员（包括自己）的Key（专业标签）。它通过计算自己的Q向量与每个词的K向量的点积（dot product）来衡量匹配度。这个匹配度得分，就是所谓的“注意力分数”（Attention Score）。

  • “它”的Q与“动物”的K高度匹配，因为“动物”的标签完美回答了“它”的查询。所以，它们之间的注意力分数会非常高。
  • “它”的Q与“马路”的K匹配度就很低，分数自然也很低。

• 第二步：分数归一化 (Softmax)

  模型将所有计算出的注意力分数通过一个Softmax函数进行处理。这个函数能将一堆任意数值转换成总和为1的概率分布。分数越高的词，其最终的“注意力权重”也越高。在这个例子中，“动物”可能会获得例如0.85的权重，而其他词则瓜分剩下的0.15。

• 第三步：加权求和 (Weighted Sum of V)

  最后，“它”研究员根据计算出的权重，去收集各位研究员的Value（研究成果）。它会拿走“动物”研究员85%的研究成果，再拿走其他研究员零零散散的一点成果，然后将这些收集来的信息（Value向量）加权求和。

这个加权求和得到的新向量，就成为了“它”这个词在当前语境下的全新、丰富的表示。这个新向量不仅包含了“它”本身的信息，更重要的是，它深度融合了“动物”的含义。至此，模型便深刻地理解了“它”指代的就是“动物”。

因为这个过程是句子中的每个词都在对自己句子内部的所有词进行“关注”，所以这个机制被称为“自注意力机制”（Self-Attention）7。

升级版魔法：多头注意力机制（Multi-Head Attention）

语言的复杂性在于，词与词之间的关系是多维度的。一个简单的自注意力计算，可能只能捕捉到一种关系（比如指代关系）。这就像只聘请了一位通才研究员，他什么都懂一点，但什么都不精通。

为了获得更丰富、更全面的理解，Transformer采用了一种更强大的策略：“多头注意力机制”（Multi-Head Attention）6。

这个策略的理念很简单：不要只聘请一位通才，而是聘请一个专家团队，让每个专家从自己擅长的角度去分析问题 6。

在模型中，“一个头”就代表一套独立的Q, K, V权重矩阵。如果我们设置8个头，就意味着模型会同时并行地进行8次独立的自注意力计算。每一次计算，词向量都会被投射到不同的“表示子空间”中，去关注不同层面的信息 8。

• 头1（语法专家）：可能专门关注主谓关系。在“动物...累了”中，它会建立“动物”和“累了”之间的强连接 7。
• 头2（语义专家）：可能关注概念上的关联。比如，它可能会发现“累了”和“动物”在语义上是相关的。
• 头3（指代关系专家）：就像我们之前的例子，它会专注于解决“它”和“动物”之间的指代关系 6。
• 头4（位置关系专家）：可能关注词与词之间的相对位置关系。
• ...等等。

这8个头并行工作，互不干扰。每个头都会输出一个它自己视角下的句子表示。最后，模型将这8个头的输出结果拼接（concatenate）在一起，再通过一个线性变换进行融合。这样得到的最终结果，就如同听取了一个专家小组的综合意见，远比单个专家的意见要全面和深刻得多 9。

值得强调的是，Q、K、V向量并非词语固有的静态属性，而是它们在特定语境下，通过与可学习的权重矩阵相乘而动态扮演的角色。这意味着同一个词，比如“bank”，在“river bank”（河岸）和“money bank”（银行）这两个不同语境中，会生成截然不同的Q、K、V向量。在前者中，它的Q可能在问“我是哪种地理位置？”，K在宣告“我是一个地理特征”；在后者中，Q可能在问“我是哪种金融机构？”，K在宣告“我是一个金融实体”。这种动态角色的扮演，正是Transformer能够精准消歧和理解复杂语境的关键所在。

搭建Transformer：不可或缺的辅助模块

仅仅依靠强大的自注意力机制，还不足以构建一个完整的Transformer模型。注意力机制虽然解决了核心的上下文理解问题，但它本身也带来了一些新的挑战，并且还需要其他模块来辅助它进行更深层次的信息处理。这里，我们介绍两个至关重要的辅助模块：位置编码（Positional Encoding）和前馈神经网络（Feed-Forward Network）。

第一部分：解决词序难题的位置编码

问题所在：注意力机制是“顺序盲”的

我们之前提到，Transformer的注意力机制像是一眼看完整页书，它并行处理所有词语，这带来了巨大的效率优势。但这种“同时看到所有词”的能力有一个副作用：它本身无法感知到词语的原始顺序。在注意力机制看来，一句话就像是把所有词都扔进了一个袋子里，它知道袋子里有哪些词，但不知道它们的排列顺序 12。

这意味着，对于注意力机制来说，“男人咬了狗”和“狗咬了男人”这两句话是完全一样的，因为它们包含了相同的词，只是顺序不同。这在语言理解中显然是致命的缺陷 6。

解决方案：为每个词添加“GPS坐标”

为了解决这个问题，Transformer的创造者们引入了一个简单而巧妙的设计——位置编码（Positional Encoding） 14。

它的核心思想是：在将词语的含义向量（词嵌入）送入注意力层之前，先给每个词的向量上“添加”一个额外的信息，这个信息专门用来表示该词在句子中的位置。这就像给每个词的语义信息上，额外贴上一个独一无二的“GPS坐标”或“页码和行号”12。

具体来说，位置编码是一个与词嵌入维度相同的向量。对于句子中的每一个位置（第1个、第2个、第3个...），都会生成一个独特的编码向量。然后，这个位置编码向量会直接与对应位置的词嵌入向量相加。这样一来，最终输入到模型中的向量，就同时包含了词语的“语义信息”和“位置信息”12。

为什么使用正弦和余弦函数？

你可能会问，为什么不用简单的数字（如1, 2, 3...）来表示位置呢？这是因为简单的数字会带来一些问题，比如数值会随着句子变长而无限增大，并且难以表示词语之间的相对位置关系。

Transformer使用的是一种基于正弦（sine）和余弦（cosine）函数的数学技巧来生成位置编码 12。我们无需深入复杂的数学公式，只需要理解其背后的直觉：

• 独特性：这种方法能为每个位置生成一个独一无二的编码向量。
• 相对性：它使得模型能够轻易地学习到词语间的相对位置关系。例如，模型可以学会“任意位置为 $t$ 的词和位置为 $t+k$ 的词之间的关系”，这种关系对于不同位置的 $t$ 都是一致的。
• 泛化性：它能很好地推广到比训练时遇到的句子更长的句子，因为三角函数的周期性特性使其具有很好的外推能力 14。

可以说，位置编码是为Transformer强大的并行处理能力所付出的一个必要“补丁”。它弥补了注意力机制天生的顺序感缺失，是Transformer设计中工程智慧与权衡的体现。

第二部分：深度加工信息的前馈神经网络

角色定位：注意力之后的“独立思考”

在经过了多头注意力层的处理后，每个词的向量都已经充分吸收了来自句子中其他词的上下文信息，变得异常丰富。但是，仅仅进行信息交换和加权还是不够的。模型还需要一个阶段，对这些新获取的、富含上下文的向量进行更深层次的非线性处理。这个任务就交给了前馈神经网络（Feed-Forward Network, FFN） 16。

我们可以用一个比喻来理解它的角色：

如果说多头注意力层是一场热烈的“圆桌讨论会”，每个词（研究员）都在这里与其他词充分交流、交换笔记、相互借鉴。那么，接下来的前馈神经网络（FFN）就是讨论会结束后的“独立书房时间”17。

每个词，带着它在讨论会上收集到的所有上下文信息，回到自己的“独立书房”（FFN）里，进行消化、吸收和深度思考，最终形成一个更精炼、更深刻的理解。

工作方式：先扩展后压缩的“头脑风暴”

FFN的结构其实非常简单，它通常由两个线性变换层和一个非线性激活函数（通常是ReLU或其变体GELU）组成 16。它的工作流程可以概括为：

1. 扩展（Expansion）：第一个线性层会将输入向量的维度进行扩展。例如，在一个典型的Transformer模型中，它会将一个512维的向量扩展到一个更大的维度，比如2048维 16。这就像研究员把收集到的笔记摊在一张巨大的白板上，从更多维度和角度去审视这些信息，寻找潜在的复杂模式。
2. 非线性激活（Activation）：在扩展后的高维空间中，模型会应用一个非线性激活函数（如ReLU）。这是至关重要的一步，因为它为模型引入了非线性，使得模型有能力学习和表示比简单的线性关系更复杂的模式 16。
3. 压缩（Compression）：第二个线性层再将这个高维向量压缩回原来的维度（例如，从2048维压缩回512维）18。这就像研究员在头脑风暴后，将白板上的所有想法进行总结提炼，形成最终的、精炼的结论。

一个关键的特点是，虽然FFN对每个词的向量进行处理，但所有位置的词共享的是完全相同的FFN权重。并且，每个词在FFN中的计算是完全独立的，互不影响 16。这完美地保持了Transformer架构的并行计算特性。

因此，一个完整的Transformer基础模块（通常被称为Transformer Block）的节奏是清晰的：首先通过多头注意力机制进行全局的、跨位置的“信息交流”，然后通过前馈神经网络进行局部的、逐个位置的“信息计算”。将这样的模块堆叠多层，模型就能逐步构建出对输入文本越来越抽象、越来越深刻的理解。

完整流程：一个新词是如何诞生的？

我们已经了解了Transformer的几个核心部件：作为心脏的自注意力机制、作为骨架的位置编码和前馈网络。现在，是时候将它们组装起来，看看一个完整的Transformer模型是如何工作的，特别是，它究竟如何一步步地生成全新的句子。

我们将以最初的Transformer模型为例，它被设计用于机器翻译任务，其结构非常经典，分为两个主要部分：编码器（Encoder）*和*解码器（Decoder） 1。

拥有两部分大脑的翻译专家

想象一位专业的同声传译员。他的工作可以分为两个阶段：

1. 理解阶段：首先，他必须完整地听完并深刻理解源语言的句子（比如一句英文）。
2. 表达阶段：然后，他需要用目标语言（比如中文）一个词一个词地将理解到的意思准确地表达出来。

Transformer的编码器-解码器架构完美地模拟了这个过程：

• 编码器（Encoder）- 专职的读者：

  编码器的唯一任务就是“阅读”和“理解”输入的整个句子。比如，当我们输入“I am a student”时，编码器会通过其内部堆叠的多层“注意力+FFN”模块，对这个句子进行深度处理。最终，它输出的不是一个简单的总结，而是一组与输入词数量相同的、富含上下文信息的向量。这组向量可以被看作是原始句子在数学空间中的一个深刻、全面的“意义表示”6。

• 解码器（Decoder）- 专职的作者：

  解码器的任务则是“写作”，即根据编码器提供的“意义表示”，生成目标语言的句子。与编码器一次性处理完整个句子不同，解码器的工作是自回归（auto-regressive）的，也就是说，它必须一个词一个词地生成，并且每生成一个新词，都会把这个词作为下一步生成的依据 6。

一步步见证新词的诞生

让我们以将“I am a student”翻译成“我是一个学生”为例，详细追踪解码器生成新词的每一步：

第0步：编码器完成理解

输入句子“I am a student”被送入编码器。经过多层处理后，编码器输出了一组代表这句话完整含义的向量（我们称之为 $K_{encoder}$ 和 $V_{encoder}$），然后静静地等待解码器的“垂询”。

第1步：生成第一个词“我”

1. 解码器启动：解码器的工作从一个特殊的起始符 <start> 开始。这是告诉解码器：“准备开始写作！”
2. 解码器的自我审视（带掩码的自注意力）：解码器首先要看看自己已经写了什么。目前，它只写了 <start>。它会对这个已有的序列进行一次自注意力计算。但这里的自注意力很特殊，叫做带掩码的自注意力（Masked Self-Attention）。这个“掩码”的作用是确保在预测第 $i$ 个词时，模型只能关注到第 $i$ 个词之前的内容，而不能“偷看”未来的词。这是为了模拟真实的写作过程，你不能在写第一个字时就知道第三个字是什么 6。
3. 解码器咨询编码器（交叉注意力）：在审视完自己后，解码器现在需要参考原文的意思。这时，它会进行一次交叉注意力（Cross-Attention）。它用上一步（自我审视）得到的向量作为Query（Q），去“查询”编码器早已准备好的Key-Value对（$K_{encoder}$, $V_{encoder}$）。这个过程就像解码器在问：“根据原文‘I am a student’的整体意思，并且考虑到我现在刚要开始写，第一个词应该是什么最合适？” 6。
4. 最终决策（线性层与Softmax）：交叉注意力的输出是一个包含了原文信息和当前生成状态的向量。这个向量会被送入一个最后的线性层。这个线性层的作用像一个“词典投影仪”，它将向量投影到一个非常高维的空间，其维度等于模型所知道的全部词汇量（比如50,000个词）。这个高维向量的每一个元素，都对应着词典中一个词的得分（logit）。最后，Softmax函数会将这些原始得分转换成一个概率分布，所有词的概率加起来等于100% 10。
5. 选出新词：模型会选择概率最高的那个词作为输出。在我们的例子中，“我”这个词的概率可能是最高的。于是，第一个词“我”诞生了。

第2步：生成第二个词“是”

1. 更新输入：现在，解码器的输入变成了 <start> 我。
2. 重复流程：解码器重复上述第1步的流程。
   • 它首先对 <start> 我 进行“带掩码的自注意力”，审视自己已经写过的内容。
   • 然后，它带着对“我已经写了‘我’”的认知，再次进行“交叉注意力”，去咨询编码器：“根据原文意思，并且我已经写了‘我’，下一个词应该是什么？”
   • 经过最后的线性层和Softmax，模型发现“是”的概率最高。
3. 选出新词：第二个词“是”诞生了。

这个循环会一直持续下去，直到模型预测出一个特殊的结束符 <end>，或者达到了预设的最大长度，翻译过程才宣告结束。

值得注意的是，编码器的输出并非像旧式模型那样，是一个压缩了所有信息的、固定的“句子向量”1。相反，它是一个结构化的、可供查询的“意义数据库”。解码器在生成每个新词时，都可以通过交叉注意力机制，动态地将注意力集中到源句子的不同部分。例如，在生成“学生”时，它的注意力可能会高度集中在编码器对“student”的处理结果上。这种动态查询机制，为解码器提供了远比单个静态向量更丰富、更精确的指导信号，是Transformer翻译质量高的关键原因之一。

总结：Transformer为何能改变世界

通过前面的详细拆解，我们已经探索了Transformer模型的内部工作机制。现在，让我们退后一步，从一个更宏观的视角来总结，为什么这个诞生于2017年的架构，能够如此深刻地改变人工智能的整个版图。Transformer的成功，可以归结为三大支柱性的创新。

第一大支柱：规模化的并行计算

这是Transformer最根本的革命。通过彻底抛弃RNN的循环结构，并采用自注意力机制，Transformer将顺序处理的计算模式转变为大规模的并行计算 4。这一转变的意义是巨大的：它使得利用现代GPU/TPU等并行计算硬件的全部潜力成为可能，从而将训练大型模型的时间从数周、数月缩短到数天。正是这种前所未有的训练效率，为“大数据+大模型”的范式铺平了道路，直接催生了像GPT系列这样参数量动辄千亿甚至万亿的巨型语言模型（LLMs）的诞生 3。没有并行化，LLM时代就无从谈起。

第二大支柱：无视距离的全局上下文理解

自注意力机制赋予了模型一种独特的能力，即在计算任何一个词的表示时，都可以直接、无差别地关注到输入序列中的任何其他词 2。这彻底解决了RNN和LSTM难以处理的长距离依赖问题 4。无论两个相关的词在文本中相隔多远，Transformer都能在它们之间建立直接的联系。这种强大的全局上下文建模能力，使得模型能够更深刻地理解语法结构、逻辑关系、指代消解等复杂的语言现象，从而在几乎所有的自然语言处理任务上都取得了突破性的性能提升。

第三大支柱：灵活通用的模块化架构

Transformer的基础构建块（即“注意力+前馈网络”的组合）被证明是一种极其灵活和强大的特征提取器。这种模块化的设计不仅易于堆叠以构建更深、更强大的模型，而且其适用性也远远超出了自然语言处理的范畴。研究人员发现，只要能将数据转换成序列化的格式，Transformer就能大显身手。如今，它的身影已经遍布计算机视觉（Vision Transformers）、语音识别、药物发现，甚至在蛋白质结构预测（如DeepMind的AlphaFold2）等科学计算领域也取得了惊人的成就 3。它已经成为跨模态、跨领域AI研究的通用基础架构。

综上所述，Transformer不仅仅是对旧有模型的一次改良，它更是一种全新的、处理信息的思维范式。它教会了机器不再将数据视为一个必须按部就班处理的僵硬序列，而是将其看作一个由内部节点（词语、像素、氨基酸等）相互关联、可以动态查询的丰富信息网络。正是这种从“线性链条”到“全连接图”的视角转变，为人工智能的飞跃式发展注入了核心动力，并持续塑造着我们今天所生活的世界。

贡献者

salt235

上一页智能剪枝深度解析：大型语言模型KV缓存优化技术白皮书

下一页简谈自动驾驶与各大车企的核心战略