在 Transformer 架构中，有一个容易被忽略却至关重要的模块 —— 位置编码（Positional Encoding，PE）。如果说注意力机制让模型能 “理解关联”，前馈神经网络让模型能 “提纯特征”，那么位置编码的作用就是让模型能 “感知顺序”。

人类语言中，语序直接决定语义：“我打了你” 和 “你打了我” 仅因语序不同，含义完全相反。而 Transformer 的注意力机制是 “并行计算”（同时处理所有词），天然缺乏对语序的感知 —— 若没有位置编码，模型会把 “我打了你” 和 “你打了我” 视为相同的输入。位置编码的核心功能，就是给每个词 “打上位置标签”，让模型知道 “谁在前，谁在后”。

理想的位置编码需要满足三个条件。位置唯一性，即不同位置的编码向量必须不同；距离相关性，位置越近的词，编码向量越相似（如位置 2 和 3 的相似度高于 2 和 10）；长度适应性，能适配任意长度的句子（训练时用 100 词，推理时能处理 200 词）。接下来介绍的所有位置编码方案，都是围绕这三个条件设计的。

绝对位置编码：给每个位置一个 “唯一身份证”

绝对位置编码的核心思路是：为每个位置分配一个固定的编码向量（如位置 0 对应向量 A，位置 1 对应向量 B），无论句子内容如何，位置 n 的编码始终不变。这种 “一一对应” 的设计能保证 “位置唯一性”，是早期 Transformer 的主流选择。

1. 正余弦位置编码（Sinusoidal PE）：原始 Transformer 的选择

Transformer 原始论文提出的正余弦编码，是最经典的绝对位置编码方案。它通过正弦和余弦函数生成位置向量，公式如下：

其中，pos 是词的位置（0,1,2,…），i 是向量维度（0 到 d_model-1），d_model 是嵌入维度（如 512）。

正余弦编码的设计有其巧妙之处。在位置唯一性上，不同 pos 的正弦 / 余弦值不同（如 pos=0 时 sin (0)=0，pos=1 时 sin (1/10000^…)≠0）；距离相关性方面，位置越近的词，编码向量越相似（如位置 2 和 3 的相似度高于 2 和 10）；长度适应性上，正弦 / 余弦是周期函数，可无限生成任意 pos 的编码（即使句子长度超过训练时的最大长度）。例如对于 512 维的嵌入向量，位置 0 的编码向量前几个维度为 [sin (0), cos (0), sin (0), cos (0), …] = [0, 1, 0, 1, …]，位置 1 的编码向量前几个维度为 [sin (1/10000^0), cos (1/10000^0), sin (1/10000^(2/512)), cos (1/10000^(2/512)), …]，这些向量的差异清晰反映了位置差异。

不过，绝对位置编码存在共性问题，即外推能力弱 —— 当句子长度超过训练时的最大长度（如训练用 512 词，推理用 1024 词），新增位置（512-1023）的编码向量在训练中从未出现过，模型无法准确理解其位置关系。

2. 可学习位置编码（Learned PE）：BERT 等模型的选择

可学习位置编码的思路更直接：随机初始化一组位置向量（如位置 0 到 511 各对应一个向量），通过训练让模型自动学习最优的位置表示。

例如训练时最大句子长度为 512，则初始化一个 512×d_model 的矩阵（每行对应一个位置的编码），这个矩阵会像嵌入层一样参与模型的参数更新 —— 模型在学习 “猫追狗” 的语义时，也会同步学习 “猫在位置 0，狗在位置 2” 的位置关联。

可学习位置编码的优势在于灵活性更高，无需人工设计函数，模型可根据任务自动调整位置编码（如在诗歌生成任务中，对押韵位置更敏感），而且在训练长度范围内，可学习编码通常比正余弦编码的效果略优。但它的外推能力极差，训练时未见过的位置（如 512 以上）没有对应的编码向量，无法直接处理长于训练长度的句子，同时泛化性弱，针对特定长度训练的编码，迁移到其他长度时性能下降明显。因此，可学习位置编码更适合 “固定长度任务”（如句子分类，输入长度固定为 512），但不适合需要处理变长文本的场景（如文档生成）。

相对位置编码：关注 “相对距离” 而非 “绝对位置”

绝对位置编码的 “外推困境” 源于对 “绝对位置” 的依赖 —— 位置 512 的编码对模型而言是全新的。相对位置编码则另辟蹊径：不编码绝对位置，只编码 “词与词之间的相对距离”（如 A 在 B 前面 3 个位置）。

这种设计的优势在于：相对距离是 “有限且可复用” 的（如相对距离 -2、-1、0、1、2 覆盖了大部分关联），即使句子长度超过训练范围，相对距离的编码仍能复用训练时学到的规律。

1. 自注意力中的相对位置建模：Transformer-XL 的改进

Transformer-XL 首次将相对位置信息引入注意力计算。在传统注意力中，分数计算为 Attention (Q, K) = Softmax ((QK^T) / √d_k)，而 Transformer-XL 修改为 Attention (Q, K, R) = Softmax ((Q (K^T + R^T)) / √d_k)，其中 R 是 “相对位置编码矩阵”（存储相对距离为 -1、-2、…、+2 的编码）。这意味着注意力分数不仅取决于词的内容（Q 和 K），还取决于它们的相对距离（R）。

例如计算 “狗” 对 “猫” 的注意力时，若 “猫” 在 “狗” 前面 2 个位置，就会加入 “相对距离 +2” 的编码 —— 这种关联在短句子和长句子中是一致的，因此模型能自然外推到更长文本。

2. ROPE（Rotary Position Embedding）：LLaMA、GPT-4 等大模型的主流选择

ROPE（旋转位置编码）是目前最成功的相对位置编码方案之一，它通过 “向量旋转” 实现相对位置建模，兼顾了计算效率和外推能力。

ROPE 的关键 insight 是：两个词的相对位置可以通过 “其中一个词的向量旋转一定角度” 来表示。具体来说，对位置为 m 的词向量 q_m，用旋转矩阵 R_m 进行旋转；对位置为 n 的词向量 k_n，用旋转矩阵 R_n 进行旋转；旋转后的内积 q_m^T R_m^T R_n k_n = q_m^T R_{n-m} k_n（仅与相对距离 n-m 有关）。

这意味着：注意力分数只取决于词的内容和相对距离，与绝对位置无关。例如 “猫” 在位置 2，“狗” 在位置 5（相对距离 +3），和 “猫” 在位置 102，“狗” 在位置 105（相对距离 +3）的注意力分数计算方式完全相同。

ROPE 的优势在于完美外推，相对距离的编码是固定的（如相对距离 3 的旋转角度固定），无论句子多长，模型都能复用训练时学到的相对位置规律；计算高效，旋转操作可在复数域高效实现（无需额外存储大矩阵），几乎不增加计算开销；而且兼容性强，可无缝集成到现有 Transformer 架构，无需修改注意力机制的核心逻辑。正是这些优势，让 ROPE 成为大模型处理长文本的 “标配”——LLaMA 2 支持 4096 长度，GPT-4 支持 128000 长度，都离不开 ROPE 的贡献。

3. ALiBi（Attention with Linear Biases）：简化的相对位置建模

ALiBi 是一种更轻量的相对位置编码方案，它不修改词向量，而是直接给注意力分数添加一个 “基于相对距离的偏置”。

具体来说，当两个词的相对距离为 k 时，ALiBi 在注意力分数上减去一个与 k 成正比的偏置（如距离 k 的偏置为 -m×|k|，m 是可学习参数）。这种设计的逻辑是：相对距离越远，注意力分数的惩罚越大（符合人类阅读时 “近邻词关联更强” 的规律）。

ALiBi 的优势在于极致简洁，无需修改嵌入向量或注意力计算，只需添加一个偏置项，实现成本极低，同时外推性好，相对距离的偏置规则（如距离越远惩罚越大）可直接应用于长句子，而且适合小模型，计算开销比 ROPE 更小，在资源受限的场景（如移动端）表现优异。不过它的精度略低，偏置的线性假设（距离与惩罚成正比）不如 ROPE 的旋转编码精准，在超长文本（如 10 万词）中性能略逊于 ROPE。

长度外推策略：让模型处理 “超长文本” 的技巧

即使采用相对位置编码，模型处理远超训练长度的文本（如训练用 4096 词，推理用 16384 词）时，仍可能出现性能下降。这是因为长文本会带来新的挑战：注意力计算的噪声累积、长距离依赖的稀释。研究者们为此设计了多种 “长度外推策略”。

1. 位置插值（Position Interpolation）：缩放现有位置编码

位置插值是最常用的外推方法，核心思路是：将超长文本的位置 “压缩” 到训练时的位置范围内。例如训练长度为 4096，推理时要处理 16384，则将位置 4096 映射为 1024，位置 8192 映射为 2048（相当于按 1/4 比例缩放）。

这种方法对 ROPE 特别有效：旋转角度与位置成正比，缩放位置等价于缩放旋转角度 —— 模型可通过插值学习长距离的相对位置规律。LLaMA 2 通过位置插值，能将上下文长度从 4096 扩展到 16384，性能仅下降 5% 左右。

2. YARN（Yet Another Rotation-based Position Embedding）：动态调整旋转周期

YARN 针对 ROPE 在超长距离（如 10 万词）的性能下降问题，提出 “动态旋转周期”：短距离（如 0-1000 词）使用小周期旋转（角度变化快），保证精细的位置区分；长距离（如 1000-10 万词）使用大周期旋转（角度变化慢），避免旋转过度导致的信息丢失。

这种 “远近有别” 的设计，让 ROPE 在兼顾短距离精度的同时，能更好地处理长距离关联。实验显示，YARN 可将 LLaMA 的有效上下文长度扩展到 10 万词以上，且长距离推理性能提升 30%。

3. 滑动窗口注意力：牺牲全局关联换取效率

当文本长度超过模型设计上限（如 100 万词）时，即使有外推策略，全局注意力的计算量也会爆炸（O (n²) 复杂度）。滑动窗口注意力通过 “限制注意力范围” 降低计算量：每个词只关注前后 k 个词（如窗口大小为 2048）；对超长篇文档，按窗口滑动处理（如先处理 1-2048 词，再处理 1025-3072 词）。

滑动窗口注意力的优势是计算量从 O (n²) 降至 O (n×k)，可处理百万级长度文本，但它无法捕捉窗口外的长距离关联（如文档开头和结尾的呼应），适合对全局关联要求低的任务（如文本摘要）。

各大模型的长上下文处理方案：从设计到实践

不同模型根据任务需求和计算资源，选择了不同的位置编码和外推策略，形成了各具特色的长上下文能力。GPT-4 采用 ROPE 作为基础位置编码，结合动态窗口和 YARN 改进的长度外推策略，支持 128000 的最大长度，兼顾超长长度和全局关联。LLaMA 2 同样以 ROPE 为基础，使用位置插值的外推策略，基础版支持 4096 长度，扩展版能支持 100000 以上，开源友好且外推成本低。BERT 采用可学习编码，通过截断和 Padding 处理长度，支持 512 的最大长度，适合固定长度理解任务。Transformer-XL 运用相对位置编码，借助片段缓存（Memory）的外推方式，支持 8192 长度，擅长长文档连贯生成。Mixtral 基于 ROPE，结合滑动窗口和分组注意力，支持 32768 长度，效率极高，适合实时对话。

这些方案的共同趋势是：以 ROPE 为基础，结合动态外推策略，在效率与长距离关联间找平衡 —— 对需要全局理解的任务（如法律文档分析），牺牲部分效率保留全局注意力；对实时性要求高的任务（如聊天机器人），用滑动窗口换取速度。

未来方向：从 “能处理长文本” 到 “能理解长逻辑”

当前位置编码的研究已从 “如何处理更长文本” 转向 “如何更好地理解长距离逻辑”。例如逻辑感知位置编码，在编码中融入文本的结构信息（如段落边界、标点符号），让模型区分 “句子内关联” 和 “段落间关联”；动态注意力窗口，根据文本内容自动调整窗口大小（如在逻辑密集段用小窗口聚焦，在叙述段用大窗口捕捉全局）；多尺度位置编码，同时编码词级、句级、段落级的位置信息，适配不同粒度的关联学习。

这些方向的探索，将让大模型不仅能 “读完” 一本百万字的书，更能 “读懂” 书中的逻辑脉络 —— 这才是长上下文处理的终极目标。

结语：位置编码的 “简单与深刻”

位置编码的设计看似只是 “给词加位置标签”，却蕴含着深度学习的核心智慧：好的结构设计比单纯增加参数更重要。从正余弦编码的人工设计，到 ROPE 的数学优雅，再到 ALiBi 的极简思路，每一次进步都不是因为更复杂的计算，而是对 “位置信息本质” 的更深刻理解 —— 模型需要的不是 “绝对位置的数值”，而是 “相对关系的规律”。

当我们看到 AI 能生成万字小说、分析整本书的主题时，不要忽略背后位置编码的贡献 —— 正是这些 “看不见的向量”，让模型能像人类一样 “按顺序理解语言”，最终跨越 “词” 的局限，触及 “语义” 的本质。

未来，随着长上下文需求的不断提升，位置编码仍将是大模型创新的关键支点 —— 毕竟，理解语言的第一步，是先知道 “谁在前，谁在后”。