推荐入口（最常被点开的 4 篇）

• 《Attention Is All You Need》精读：整套系列的起点，先看一遍论文的整体骨架。
• 向量内积与相似度：从最基础的几何开始把 Q/K/V 的”为什么”立住。
• Causal Mask 的实现细节：自回归生成最容易被搞错的一步。
• 前馈网络（FFN）究竟在算什么：把 Transformer 里”非注意力”那一半讲清楚。

一、这个系列要回答的五个问题

写这套系列，是因为我自己每次回答下面五个问题时，都得翻十几篇论文、几本书和几十个博客拼起来。我想把它们一次性讲清楚。

1. 「注意力」到底是什么？为什么是 Q/K/V 这三个矩阵的组合，不是别的？
   这是整个系列的核心。从最朴素的「相似度加权求和」一路推导到 multi-head attention，看清楚每一层抽象解决了什么问题。详见第二部分（11–18 篇）与论文精读（19–28 篇）。

2. Transformer 为什么取代了 RNN？工程与原理上的本质不同在哪？
   这不是「Transformer 更新所以更好」这么简单。RNN 的并行性、长程依赖、梯度三件事不能同时解决，而 Transformer 用 attention + 残差 + LayerNorm 几乎把这三件事一次性绕开。详见 09、10、20、24、25 篇。

3. 一个 token 从输入到输出的完整旅程是什么？每一步在做什么？
   把一个汉字 / 一个英文词 / 一个图像 patch 从被切分、嵌入、加位置、过若干层 attention + FFN，最后变成 logits、被 sample 出下一个 token，这条路上每一步都不应该是黑盒。详见 29、20–28、48、49 篇。

4. 模型规模、训练数据、参数量之间是什么关系？为什么「大」就一定「好」？
   Scaling Laws 不是「越大越好」的同义词，它是一个有最优配比的三角约束。Chinchilla 法则说明了过去十年大模型训练里大部分实验其实「训不够久」。详见 34、35、36 篇。

5. Transformer 是终点吗？它有什么根本局限，未来会被什么替代？
   Mamba、RWKV、RetNet、线性注意力、混合架构都在尝试绕开 O(n²)。它们各自给出什么权衡，谁有可能赢？详见 55–58 篇。

二、篇目依赖关系与推荐阅读路径

这套系列主线共 58 篇，分八部分；另外加了一篇 08.5 桥接文，用来把普通神经网络和 RNN 之间的关系讲顺。后面的阅读路径帮不同背景的读者跳过自己已经熟悉的部分。

强依赖

[01–08.5 数学与神经网络基础]
        │
        ▼
[09–10 RNN 局限] ──┐
                   ▼
            [11–18 注意力机制原理] ──┐
                                    ▼
                          [19–28《Attention Is All You Need》逐段精读]
                                    │
            ┌───────────────────────┼───────────────────────┐
            ▼                       ▼                       ▼
   [29–36 训练范式]           [37–47 模型变体]        [48–51 推理工程]
                                    │
                                    ▼
                          [52–54 可解释性]
                                    │
                                    ▼
                          [55–58 架构反思与未来]

推荐阅读路径

• 完全入门（高中生 / 文科生 / 产品经理）
  01 → 02 → 03 → 04 → 07 → 08 → 08.5 → 11 → 12 → 13 → 20 → 38 → 48

• 算法工程师转 NLP
  04 → 05 → 06 → 08 → 08.5 → 09 → 10 → 13 → 14 → 16 → 20 → 27 → 29 → 30 → 38

• 研究者深读论文
  13 → 14 → 15 → 16 → 19 → 20 → 21 → 22 → 23 → 27 → 28

• 工程师做推理优化
  20 → 22 → 26 → 41 → 42 → 48 → 49 → 50 → 59（配合 llm-infra）

• 关心架构未来
  10 → 18 → 41 → 42 → 44 → 55 → 56 → 57 → 58

• 多模态方向
  20 → 38 → 45 → 46 → 47

三、目录与每篇一句话价值

第一部分：数学与神经网络基础

• 01. 为什么要从这里开始：交代目标读者、阅读路径、与本系列的能给与不能给。
• 02. 向量与点积的几何直觉：把高中向量讲到「相似度」，这是注意力的根。
• 03. 矩阵乘法：一次性做很多个点积：解释为什么神经网络的核心运算是矩阵乘法。
• 04. 从函数到神经网络：神经网络的本质是「学习一个可调函数」。
• 05. 激活函数与非线性：没有非线性就什么都学不到。
• 06. 梯度下降与反向传播：网络如何通过梯度「学」。
• 07. Softmax 与概率分布：注意力机制的关键齿轮。
• 08. 嵌入（Embedding）：从 one-hot 到上下文向量的演进。
• 08.5. 神经网络基础：把 MLP 的计算、训练和形状讲清楚，为 RNN 的循环做最后铺垫。
• 09. RNN 与序列建模：Transformer 之前人们怎么做序列。
• 10. RNN 的根本局限：长程依赖 + 梯度 + 并行三件事不能同时解决。

第二部分：注意力机制原理

• 11. 「注意力」的直觉：用人类阅读做类比，引出权重。
• 12. Bahdanau Attention：注意力的早期形态，2014 年翻译任务。
• 13. Query/Key/Value 三件套：把加权求和分解成 QKV 的数学推导。
• 14. Self-Attention：当 Q、K、V 来自同一来源。
• 15. Scaled Dot-Product：那个 √d_k 是怎么来的。
• 16. Multi-Head Attention：为什么要分多个头。
• 17. Causal Mask：让模型只看过去不看未来。
• 18. 注意力的复杂度问题：O(n²) 是后续所有长上下文工作的根源。

第三部分：《Attention Is All You Need》逐段精读

• 19. 论文背景：2017 年 Google Brain 在做什么。
• 20. Transformer 整体架构：一张图看懂 Encoder-Decoder 全景。
• 21. 位置编码：为什么需要它，为什么用正弦。
• 22. Encoder 详解：6 层堆叠的结构与意义。
• 23. Decoder 详解：Masked Self-Attention + Cross-Attention。
• 24. 残差连接：为什么要绕一条捷径。
• 25. Layer Normalization：为什么 Transformer 用 LN 不用 BN。
• 26. 前馈网络：那个看似平平无奇的两层 MLP，其实是「记忆」所在。
• 27. 训练目标与优化：原论文怎么训出来的。
• 28. 原论文实验结果：BLEU、训练成本、原始数据。

第四部分：现代训练范式

• 29. Tokenization：BPE / WordPiece / SentencePiece，为什么不是字也不是词。
• 30. 预训练目标：BERT 与 GPT 的根本路线分歧。
• 31. 微调演进：从全参数微调到 LoRA。
• 32. 指令微调：把「补全」变成「听话」。
• 33. RLHF：从 PPO 到 DPO 到 GRPO 的演进逻辑。
• 34. Scaling Laws：Chinchilla 法则与最优训练配方。
• 35. 数据工程：数据质量比数据量重要。
• 36. 训练稳定性：损失尖峰、混合精度陷阱。

第五部分：模型变体与架构演进

• 37. BERT：双向编码器为什么适合理解任务。
• 38. GPT 系列：从 GPT-1 到 GPT-4 的演进逻辑。
• 39. T5：把所有 NLP 任务统一成 Text-to-Text。
• 40. 三大路线之争：为什么大模型几乎都是 Decoder-only。
• 41. 位置编码演进：Sinusoidal → Learned → RoPE → ALiBi。
• 42. FlashAttention：注意力计算的硬件级重写。
• 43. 稀疏与局部注意力：Longformer、BigBird、Sparse Transformer。
• 44. MoE：稀疏激活的万亿模型路径。
• 45. ViT：图像怎么变成 token。
• 46. 多模态融合：CLIP、Flamingo、LLaVA、SAM。
• 47. Diffusion + Transformer：DiT 与 Sora 用 Transformer 不用 U-Net 的原因。

第六部分：推理工程

• 48. 从 logits 到文本：贪心、Beam Search、采样的几何直觉。
• 49. KV Cache：推理为什么是 O(n) 不是 O(n²)。
• 50. Speculative Decoding：用小模型加速大模型。
• 51. 量化、蒸馏、剪枝：让大模型跑在小硬件上。
• 59. 推理退化：乱码、死循环与无意义文本：从 QKV 坍塌、Causal Mask 陷阱到数值溢出，系统解释 Transformer 推理为什么会退化，以及架构、数值、解码、运行时四层防线。

第七部分：训练与可解释性

• 52. 可解释性入门：注意力权重真的是「解释」吗。
• 53. 机制可解释性：电路、特征、归因。
• 54. 涌现能力：上下文学习与思维链为什么会出现。

第八部分：架构反思与未来

• 55. Transformer 的根本局限：为什么 O(n²) 是终极瓶颈。
• 56. 状态空间模型：Mamba、S4 的线性复杂度路径。
• 57. RWKV / RetNet / 线性注意力：各种降低复杂度的探索。
• 58. 后 Transformer 时代：架构会消失还是会进化。

四、与其他系列的关联

• 工程实现细节（GPU、CUDA、并行训练、推理服务化）请看 llm-infra 系列。
• 量化交易里的 ML 部分有时会借用 Transformer，请看 quant 系列。
• 分布式系统的共识、复制、容错请看 分布式系统百科。

五、本系列的承诺与不承诺

承诺：

• 所有数学推导从可验证的起点出发，不跳步；
• 所有论文引用给出真实标题、作者、年份；
• 所有「为什么这样设计」都尝试给出至少一种解释；
• 不写 AI 腔、不写讲义卡片、不堆砌 bullet。

不承诺：

• 不承诺让你直接能调出一个 SOTA 模型，那是工程系列要做的事；
• 不会列举所有变体，只挑代表性、有教学价值的；
• 不预测哪家大模型公司会赢，那是商业问题不是技术问题。

同主题继续阅读

把当前热点继续串成多页阅读，而不是停在单篇消费。

2026-04-15 · transformer

【Transformer 与注意力机制】01｜为什么要从这里开始

这是【Transformer 与注意力机制】系列的第一篇，承担两件事：一是把这套五十多篇文章为谁写、解决什么问题、彼此之间是什么关系交代清楚；二是为完全没基础的读者画出一条从向量、点积、矩阵乘法走到自注意力、再走到大语言模型的爬升路径，让你在投入时间之前先知道终点在哪、路上要经过哪些坎、读完之后你会、还不会做什么事。

2026-06-09 · transformer

【Transformer 与注意力机制】59｜推理退化：为什么大模型会输出乱码、死循环和无意义文本

大模型推理时偶尔会突然陷入死循环、输出乱码或连续无意义数字，这不是随机 bug，而是注意力机制、Causal Mask、解码策略和数值精度在自回归生成中共同作用的结果。本文从 QKV 计算坍塌出发，解释 Attention Sink、Softmax 马太效应、Causal Mask 的退路切断、FP16 溢出路径和 KV Cache 污染，并给出从架构到运行时的多层防线。

2026-04-15 · transformer

【Transformer 与注意力机制】16｜Multi-Head Attention：为什么要分多个头

单头 attention 只有一组 softmax 权重，只能在一种相似度度量下做一次聚合。Multi-Head Attention 通过多套独立的 Q/K/V 投影，让模型在同一步内并行建模多种关系，并在几乎不增加参数量的前提下提升表达力。

2026-04-15 · transformer

15｜Scaled Dot-Product：那个根号 d_k 是怎么来的

> 本文从零推导注意力机制点积方差的来源，解释缩放因子如何防范梯度弥散，并作为大模型 Scaling Laws 数值稳定的基石。