How LLMs Actually Work（翻译）
写在前面
现代主流大语言模型（LLM）几乎都是把同一种结构——Transformer block——一层一层堆起来的。所以只要把一个 Transformer 内部的几个零件理解透，就能看懂绝大部分主流 LLM 的论文和 model card。
模型与模型之间的区别，主要在于三件事：
- 用什么数据训练；
- 模型规模与超参（层数、宽度、注意力头数等）；
- 后训练阶段做了什么（SFT、RLHF、DPO……）。
下面按 9 个主题，把 LLM 的"内部机器"从输入到输出走一遍。
1. Tokenization：把文字变成整数
模型并不直接读文字，它读的是整数 ID。把字符串切成整数序列的过程叫tokenization（分词 / 切分 token）。
- Token ID：词表里每一项对应一个整数。模型只认这个整数，不认字符本身。
- Vocabulary（词表）：分词器固定的"小积木清单"。现代 LLM 词表通常在几万到几十万条之间。
token 通常不是完整单词，而是子词（subword）片段：
tokenization可能会切成["token", "ization"]running可能会切成["run", "ning"]
为什么用子词？
- 整词词表太大、对新词不泛化；
- 字符级太小，模型连最简单的拼写规律都得从头学；
- 子词介于两者之间：常见片段直接是一个 token，罕见词由小片段拼出来。
经典坑：问 LLM "strawberry 里有几个 r"，早期模型常答错。不是模型不会数数，而是它根本看不到字母——它看到的是几个 token ID，"strawberry" 也许只是 1～2 个 token，里面的字母被打包了。
不同家族用不同分词器：GPT 系列用BPE（Byte Pair Encoding）的变体，LLaMA 系常用SentencePiece。算力消耗、多语种覆盖会受影响，但本质都是：文字进，整数出。
2. Embeddings：让整数有了"意思"
1024这样一个 token ID 本身没有任何含义，它只是一个行号。让它有意义的，是一张巨大的查找表——embedding matrix（词嵌入矩阵）。
- 每一行对应词表里的一个 token；
- 每一行是一个长向量，长度等于模型的隐藏维度（hidden size）。
- 7B 量级的模型常见隐藏维度是 4096，更大的模型用更宽的向量。
Vector（向量）：就是一串数字。Transformer 内部一切运算都是向量与矩阵的乘法。
模型拿到 token ID 后，会去 embedding 表里查出对应的那一行，后面的所有计算都用这个向量进行。
有趣的性质：训练完成后，语义相似的 token 在向量空间里也接近。
- "king" 和 "queen" 的向量距离很近；
- "Paris" 和 "France" 的向量距离也很近；
- 著名的近似等式：
king − man + woman ≈ queen。
这种几何结构没人手写过，是模型为了把"下一个 token 预测"做好，自己把它学出来的。
⚠️ 注意：到这一步，每个 token 已经变成向量了，但向量本身不带"位置信息"。"dog"无论排在第 1 个还是第 5 个，查表得到的是同一个向量。这就需要下一步的位置编码来补上。
3. Positional Encoding：告诉模型"谁先谁后"
纯粹的 self-attention天生不区分顺序，需要额外注入"位置信号"，否则模型分不清是 "dog bites man" 还是 "man bites dog"。
3.1 经典做法：正弦余弦位置编码（Vaswani et al., 2017）
给每个位置一组固定的数字（不同频率的 sin/cos 组合），直接加到token 的 embedding 上。位置 1 加一个模式，位置 5 加另一个模式。
优点：可以外推到训练时没见过的更长序列。
但随着模型变大，加性方案有两个问题：
- embedding 既要装"语义"又要装"位置"，容量受限；
- 学习版的绝对位置编码在长上下文上外推不稳——训练只见过 2048 长度，到 5000 时就不行了。
3.2 现代主流：RoPE（Rotary Position Embeddings）
Su et al. 2021 提出，目前 LLaMA、Mistral、Gemma、Qwen 等几乎所有开源模型都用它。
直觉：不再"加"位置向量，而是按位置旋转Query 和 Key 向量。
- 位置 1 的 token 转一个小角度；
- 位置 100 的 token 转一个大角度；
- 注意力打分时，真正起作用的是两个 token 旋转角度的差——也就是它们的相对距离。
优点：
- 天然编码相对位置（更贴合 attention 的需求）；
- 长上下文外推更平滑；
- 不引入新参数。
3.3 "Lost in the Middle" 现象
Liu et al. 2023 报告：即使位置编码足够好，LLM 在长 prompt 中对开头和结尾的信息利用得更好，对中间的反而会"忘"。这也是"重要内容放开头/结尾"这条 prompt 工程经验的科学依据——模型并不是均匀使用你的 prompt 的每一部分。
4. Attention：token 之间互相"看"
Attention（注意力）是 Transformer 名字的来源，也是它最核心的机制。每一层 Transformer 里，attention 做一件事：让每个 token 看一眼它被允许看到的其他 token，决定哪些对自己接下来的表示更重要。
为此，每个 token 同时扮演三个角色，被映射成三个新向量：
| 角色 | 含义 |
|---|---|
| Query (Q) | 我想从别的 token 那里找什么？ |
| Key (K) | 我能给别的 token 提供什么"标签"用来匹配？ |
| Value (V) | 一旦匹配上，我会传出去什么内容？ |
Q、K、V 是同一个 token 经过三个不同的、可学习的线性变换得到的。
4.1 匹配过程
- 每个 token 的 Query 与所有可见 token 的 Key 做点积（dot product），点积越大表示越"对得上"。
- 点积分数除以 √d_k 做缩放（防止 softmax 饱和）。
- 用softmax把分数变成"和为 1 的权重"。
- 用这些权重对 Value 做加权求和——就是这个 token 在本层的新表示。
Dot product：衡量两个向量"对齐程度"的最简单方式。
Softmax：把任意一组分数变成像概率一样、加起来等于 1 的权重。
4.2 一个例子
句子："The cat that I saw yesterday was sleeping."
模型处理was时，要搞清楚"是谁在 sleeping"。was的 Query 与所有可见 token 的 Key 做点积：
- 与
cat的点积很高（动词需要主语，cat这种主语恰好提供匹配的 Key）； - 与
yesterday的点积很低； - softmax 后，
cat拿到大权重，yesterday拿到小权重； was的新向量主要由cat的 Value 决定——这就是"指代"在数学上是怎么实现的。
4.3 Causal Masking（因果遮罩）
GPT 类模型是从左到右生成的，所以位置 5 的 token只能看到位置 1～5，不能看到 6、7、8（那些还没生成出来）。
做法很简单：把"未来"位置的匹配分数设成极小的负数，softmax 之后权重几乎为 0。
4.4 Induction Heads（归纳头）
Anthropic 在 2022 年发现的一类专门化注意力头：会识别 prompt 里A B … A这种模式，遇到第二个A时，回头看上一次A后面跟的是B，于是预测下一个就是B。
这是目前已知最清晰的in-context learning（上下文学习）机制之一——为什么你在 prompt 里给几个示例，模型就能照着续写。
4.5 Attention 的代价
完整 attention 中，每个 token 要和所有可见 token 比较，因此 prompt 长度翻倍，计算量大约翻 4 倍（O(n²)）。这就是长 prompt 又慢又贵的根因，也是 FlashAttention、稀疏注意力、线性注意力等优化方向的存在意义。
5. Multi-Head Attention：多视角看同一段话
一次 attention 只能给模型一种"谁该关注谁"的判断。但语言里同时存在很多种关系：主谓一致、代词指代、跨句长程引用、局部短语……一种视角不够。
多头注意力：并行跑多次 attention，每次走自己一小块空间，叫一个head（头）。
一个常见误解
很多教程说"把 token 向量切成几段，每段一个头"——错的。
正确做法是：每个头有自己一套可学习的投影矩阵，把完整的 token 向量投影到自己的小空间里得到 Q、K、V。
例如：模型 hidden=4096，32 个头，每个头的工作空间是 128 维。但这 128 维是从完整 4096 维投影出来的，不是固定的某 128 个分量。所以每个头是同一个 token 的"不同视角"，不是它的"碎片"。