Transformer 架构：LLM 的引擎

"Transformer 是第一个完全依赖注意力机制的序列转导模型。" — Vaswani 等人 (2017)

要通过 LLM 面试，仅仅知道"它使用了注意力机制"是不够的。你必须理解为什么做出特定的设计选择（Pre-Norm vs Post-Norm、SwiGLU vs ReLU、GQA vs MHA、MoE vs Dense）以及块内部的数学运算。

1. 整体架构概览

现代的 Decoder-Only Transformer（如 GPT-4 或 Llama 3）由一堆相同的块组成。每个块有两个主要子层：

多头自注意力（MHA）：在 token 之间混合信息。
前馈网络（FFN）：在每个 token 内独立处理信息。

关键是，它们被残差连接和层归一化包裹。

2025 年演进：

FFN → MoE：许多模型现在在前馈层使用混合专家（Mixture-of-Experts）
MHA → GQA：分组查询注意力减少 KV 缓存内存
标准 → 混合：一些模型混合使用 Transformer 和状态空间模型（Mamba）

2. Self-Attention： "路由"层

注意力机制允许 token 之间相互"对话"。它提出特定的问题来构建上下文。

Query、Key、Value 直觉

每个 token 产生三个向量：

Query (Q)："我在寻找什么？"（例如，一个名词在寻找它的形容词）。
Key (K)："我包含什么？"（例如，我是一个形容词）。
Value (V)："如果你关注我，这是我的信息。"

工程视角

自注意力通过以下步骤计算 token 之间的关系：

相似度：计算每对 token 的分数（QK^T）
缩放：防止点积爆炸，否则会导致梯度消失
归一化：将分数转换为概率（softmax）
聚合：值向量的加权和

为什么需要多头？

一个头可能关注语法（名词-动词一致性）。另一个可能关注语义（同义词）。还有一个可能关注位置（前一个词）。

模型	头数	头维度	总维度
Llama 3 8B	32	128	4,096
Llama 3 70B	64	128	8,192
GPT-4	96+（估计）	128	12,288

3. 分组查询注意力（GQA）- 2025 年标准

随着上下文窗口的增长（8k → 128k → 1M+），KV 缓存成为内存瓶颈。为每个头存储 Key 和 Value 矩阵代价高昂。

谱系：MHA → GQA → MQA

机制	Query 头数	KV 头数	KV 缓存大小	质量	速度
MHA（多头）	H	H	100%	最佳	最慢
GQA（分组查询）	H	G（其中 G < H）	~1/G	接近最佳	更快
MQA（多查询）	H	1	1/H	较低	最快

GQA 如何工作

不再每个头有自己的 K/V 投影，而是查询头组共享 K/V：

# MHA: 32 个头，32 个 KV 对
q_heads = 32
kv_heads = 32

# GQA: 32 个查询头，8 个 KV 对（4 个一组）
q_heads = 32
kv_heads = 8  # 每个 KV 对服务 4 个查询头

优势：

内存减少：GQA-8 减少 8 倍 KV 缓存
带宽减少：推理时减少内存传输
质量保持：GQA-8 达到 MHA 质量的约 98-99%

采用情况：

Llama 3 70B：使用 GQA 进行高效推理
T5-XXL：GQA-8 用于生产部署
Gemini 2.5：使用 GQA 变体处理长上下文

2025：加权 GQA（WGQA）

创新：每个 K/V 头的可学习参数在微调期间实现加权平均。

优势：

比标准 GQA 平均提升 0.53%
在无推理开销的情况下收敛到 MHA 质量
模型在训练期间学习最优分组

4. 混合专家（MoE）- 扩展革命

MoE 不使用一个庞大的前馈网络，而是使用多个专门的"专家"网络。每个 token 被路由到最相关的专家。

架构

关键组件

Router（路由器）：为每个 token 选择 top-k 专家的门控网络
Experts（专家）：专门的 FFN 网络（通常每层 8-64 个）
负载均衡：辅助损失确保所有专家都被利用

2025 年 MoE 模型

模型	总参数量	活跃参数量	专家数	Top-K	备注
Mixtral 8x7B	46.7B	13B	8	2	开源，匹敌 Llama 2 70B
Llama 4	待定	待定	待定	待定	传闻有 MoE 变体
DeepSeek-V3	671B	37B	256	8	共享专家，多样化路由
GPT-4	~1.7T（估计）	~220B（估计）	~128（估计）	待定	普遍猜测使用 MoE
Switch Transformer	1.6T	待定	2048	1	研究里程碑
GLaM	1.2T	待定	64	2	Google 的万亿参数模型

为什么 MoE 重要

训练效率：

以 1/3 的计算量 达到与稠密模型相同的质量（GLaM 结果）
允许扩展到万亿参数
碳足迹：比稠密模型减少最多 10 倍

推理效率：

每个 token 仅激活相关专家
70B 参数，13B 活跃 = 8B 模型速度，70B 质量
在消费级硬件上运行超大规模模型（配合量化）

训练稳定性（2025 年进展）：

Router Z-loss：惩罚大的路由器 logits，稳定训练
共享专家：减少冗余，增加多样性
Sigmoid 门控：比 softmax 更稳定地选择专家

MoE vs 稠密 FFN

方面	稠密 FFN	MoE
参数	每层固定	随专家数扩展
计算	始终激活	稀疏激活
质量	基线	相同或更好
推理	可预测	可变（取决于路由）
训练	稳定	需要技巧（Z-loss、辅助损失）

5. Pre-Norm vs. Post-Norm

Post-Norm（原始 Transformer、BERT）

LayerNorm 应用在残差连接之后。

问题：初始化时梯度在输出层附近可能爆炸，需要"预热"阶段。

Pre-Norm（GPT-2、Llama、PaLM）

LayerNorm 应用在子层之前。

优势：梯度通过"残差高速公路"（加法路径）不受干扰地流动。大规模训练更加稳定。
权衡：理论上可能略微降低表达能力（存在争议），但稳定性对 LLM 更重要。

2025 年共识：Pre-Norm 在 decoder-only LLM 中是通用的。Post-Norm 仍用于一些 encoder-decoder 模型（T5）。

6. 前馈网络（FFN）与 MoE： "知识"层

如果说注意力是"路由"信息，那么 FFN（或 MoE）就是"处理"信息。一些研究人员认为 FFN 充当键值记忆来存储事实知识。

激活函数的演进

ReLU（原始）：修正线性单元。问题："死亡神经元"（梯度为零）。
GELU（GPT-2/3）：高斯误差线性单元。更平滑、概率化。
SwiGLU（PaLM、Llama）：Swish 门控线性单元。

什么是 SwiGLU？

它为 FFN 添加了一个"门"。不再只是传递数据，而是计算两条路径并将它们相乘。这需要 3 次矩阵乘法而不是 2 次，但在相同计算预算下始终产生更好的性能。

MoE 作为 FFN 替代

标准 Transformer 块：

Attention → Dense FFN → Output

MoE Transformer 块：

Attention → Router → Selected Experts → Combined Output

每个专家是一个专门的 FFN：

专家 1：专门处理编程模式
专家 2：专门处理数学推理
专家 3：专门处理事实知识
专家 4-8：其他专业化领域

7. 线性注意力与混合架构

线性注意力（2020+）

问题：标准注意力由于 QK^T 矩阵计算具有 O(N²) 复杂度。

解决方案：使用核函数来近似注意力，无需显式的 N × N 矩阵。

优势：

O(N) 复杂度 而非 O(N²)
实现真正的大规模上下文窗口（1M+ token）
权衡：轻微的质量下降

采用情况：

RWKV：具有线性注意力的循环架构
Mamba/状态空间模型：设计上具有线性复杂度
混合模型：混合 Transformer 和线性注意力层

2025：高阶注意力（Nexus）

创新：Query 和 Key 向量是嵌套自注意力循环的输出。

优势：

在单层中捕获多跳关系
比标准一阶注意力更具表达力
无需深层堆栈即可实现复杂推理

状态：研究阶段，尚未在主要 LLM 中投入生产。

8. 位置编码再探讨

RoPE（旋转位置嵌入）- 黄金标准

被 Llama 2/3/4、PaLM、Mistral、GPT-NeoX 使用。

直觉：通过在空间中旋转向量来编码位置。
机制：
- 位置 $m$ 处的 token 旋转角度 $m\theta$ 。
- 两个 token 之间的点积（相似度）仅取决于它们的相对距离（ $m-n$ ）。
为什么胜出：
- 衰减：随着 token 距离增大，注意力自然衰减（长程依赖管理）。
- 外推：比绝对嵌入更好地处理超出训练数据的上下文长度。

2025：PaTH Attention

创新：将中间词视为数据相关变换（Householder 反射）的路径。

优势：

位置记忆：跟踪序列中的状态变化
更好的顺序推理：改进的代码执行跟踪
选择性遗忘：与 Forgetting Transformers（FoX）结合来降低旧信息的权重

状态：前沿研究，尚未在生产模型中使用。

9. 面试常见问题

Q：Self-Attention 的计算复杂度是多少？

A: $O(N^2)$ ，其中 $N$ 是序列长度。

计算 $QK^T$ 产生一个 $N \times N$ 矩阵。
这就是为什么长上下文（100k+）很困难；上下文翻倍，计算量翻四倍。
2025 年解决方案：
- FlashAttention-2：优化 IO 但数学上仍然是 $O(N^2)$
- 线性注意力： $O(N)$ 复杂度，轻微的质量权衡
- Ring Attention：跨 GPU 分布式，实现 1M+ 上下文
- 滑动窗口：仅关注附近的 token + 全局缓存

Q：为什么需要层归一化？

A: 为了稳定深度网络中激活值的分布，确保没有单个特征在量级上占主导地位。没有它，在 100+ 层的网络中梯度会爆炸或消失。

2025 年更新：RMSNorm（均方根归一化）正在许多模型（Llama、Gemma）中取代 LayerNorm，因为它更简单、更快：

用均方根而非均值和方差进行归一化
比 LayerNorm 计算效率更高
对非常深的网络有更好的稳定性

Q：Decoder-only 模型在训练时如何防止"作弊"？

A: 通过因果掩码（Causal Masking）。在自注意力步骤中，我们将所有未来 token（位置 $j > i$ ）的注意力分数设为 $-\infty$ 。通过 softmax 后，这些变为 0，确保 token $i$ 只能关注 $0...i$ 。

实现：

# 创建因果掩码
mask = torch.triu(torch.ones(seq_len, seq_len), diagonal=1)
# 应用到注意力分数
scores = scores.masked_fill(mask.bool(), float('-inf'))

Q：残差（跳跃）连接的目的是什么？

A: 它缓解了梯度消失问题。通过允许梯度通过加法（ $x + f(x)$ ）直接流过网络，误差可以从最后一层反向传播到第一层，而不会因多次乘法步骤而衰减。

2025 年洞察：残差连接还支持梯度检查点，在训练中用计算换内存。

Q：何时应该使用 GQA vs MHA vs MQA？

使用 MHA 当：

质量至关重要（研究、基准测试）
上下文窗口短（< 8k token）
内存不是限制因素

使用 GQA 当：

2025 年生产 LLM 的默认选择
长上下文（32k-128k token）
内存受限的部署
想要接近 MHA 质量但更快的推理

使用 MQA 当：

需要最大吞吐量
可以接受 5-10% 的质量下降
非常大批量推理（如 API 服务）

2025 年结论：GQA-8 或 GQA-4 是大多数应用的最佳平衡点。

Q：MoE 模型训练不稳定的原因是什么？

A: 三个主要问题：

路由器坍塌：所有 token 路由到同一个专家，导致其他专家闲置
- 修复：辅助负载均衡损失、专家容量因子
专家溢出：专家接收的 token 超过其容量因子允许的范围
- 修复：丢弃 token 或路由到下一层
梯度不平衡：某些专家接收到比其他专家大得多的梯度
- 修复：Router Z-loss、归一化专家损失

2025 年解决方案：

共享专家：减少冗余，改善负载均衡
Sigmoid 门控：比 softmax 更稳定地选择专家
稳定 MoE 训练：预热期、渐进式专家激活

Q：RoPE 与绝对位置嵌入有什么不同？

A: 绝对嵌入基于位置向每个 token 添加一个固定向量。位置被编码为 token 的固定属性。

RoPE 使用旋转矩阵基于位置旋转 query 和 key 向量。query 和 key 之间的点积仅取决于它们的相对距离，而非绝对位置。

优势：

更好地外推到更长的序列
注意力随距离自然衰减
无需学习的位置参数

2025 年主导地位：RoPE 被几乎所有 decoder-only LLM 使用（Llama、GPT-4、PaLM、Mistral）。

Spring AI 模型配置

Spring AI 为不同的 LLM 提供商提供统一配置，具有一致的参数调优选项。

基本模型配置

// Spring AI 模型配置
@Configuration
public class LLMConfiguration {

    @Bean
    public ChatModel chatModel(OpenAiApi openAiApi) {
        return OpenAiChatModel.builder()
            .openAiApi(openAiApi)
            .options(OpenAiChatOptions.builder()
                .model("gpt-4")
                .temperature(0.7)
                .maxTokens(2000)
                // 理解这些参数：
                // - temperature: 控制随机性 (0.0 = 确定性, 1.0 = 创造性)
                // - maxTokens: 限制响应长度
                // - topP: 核采样 (0.9 = 保留 90% 概率质量)
                // - presencePenalty: 减少重复
                .build())
            .build();
    }

    // 需要特定注意力设置的模型
    @Bean
    public ChatModel longContextModel() {
        return OpenAiChatModel.builder()
            .options(OpenAiChatOptions.builder()
                .model("gpt-4-turbo")  // 128K 上下文
                // 何时使用长上下文：
                // - 文档分析 > 50 页
                // - 代码库审查
                // - 多文档综合
                .build())
            .build();
    }
}

参数调优指南

不同任务需要不同的参数设置以获得最佳结果：

// 采样参数的效果
@Service
public class ParameterTuningService {
    private final ChatClient chatClient;

    // 代码生成：低温度以保持一致性
    public String generateCode(String description) {
        return chatClient.prompt()
            .user("Write code to: " + description)
            .options(OpenAiChatOptions.builder()
                .temperature(0.2)  // 低 = 更确定性
                .maxTokens(1500)
                .topP(0.95)
                .build())
            .call()
            .content();
    }

    // 创意写作：更高温度
    public String generateStory(String prompt) {
        return chatClient.prompt()
            .user("Write a story about: " + prompt)
            .options(OpenAiChatOptions.builder()
                .temperature(0.9)  // 高 = 更有创意
                .maxTokens(2000)
                .topP(0.9)
                .build())
            .call()
            .content();
    }

    // 技术文档：平衡设置
    public String generateDocs(String code) {
        return chatClient.prompt()
            .user("Generate documentation for:\n" + code)
            .options(OpenAiChatOptions.builder()
                .temperature(0.5)  // 平衡
                .maxTokens(1000)
                .presencePenalty(0.3)  // 减少重复
                .build())
            .call()
            .content();
    }
}

选择合适的模型

// 基于任务的模型选择服务
@Service
public class ModelSelectionService {

    public String chooseModel(String task) {
        return switch (task.toLowerCase()) {
            case "code", "debug", "refactor" -> "gpt-4",  // 最佳编码性能
            case "chat", "general", "qa" -> "gpt-3.5-turbo",  // 成本效益高
            case "analysis", "document", "long" -> "gpt-4-turbo",  // 128K 上下文
            case "creative", "story", "poem" -> "gpt-4",  // 更好的创意
            case "simple", "classification" -> "gpt-3.5-turbo",  // 更快、更便宜
            default -> "gpt-3.5-turbo"  // 默认使用成本效益高的
        };
    }

    public ChatOptions getOptionsForTask(String task) {
        return switch (task.toLowerCase()) {
            case "code" -> OpenAiChatOptions.builder()
                .temperature(0.2)
                .maxTokens(2000)
                .build();
            case "creative" -> OpenAiChatOptions.builder()
                .temperature(0.9)
                .maxTokens(1500)
                .presencePenalty(0.5)
                .build();
            case "analysis" -> OpenAiChatOptions.builder()
                .temperature(0.3)
                .maxTokens(3000)
                .topP(0.95)
                .build();
            default -> OpenAiChatOptions.builder()
                .temperature(0.7)
                .maxTokens(1000)
                .build();
        };
    }
}

架构选择指南

使用场景	推荐架构	原因
聊天机器人	Decoder-only（GPT、Llama）	生成式、对话式
分类	Encoder-only（BERT）	更好的理解、双向上下文
翻译	Encoder-Decoder（T5）	序列到序列转换
代码生成	带 MoE 的 Decoder-only	编程模式的专门专家
长文档	混合（Transformer + SSM）	高效的长上下文建模
成本敏感	稠密小模型	可预测的推理成本
质量优先	大型 MoE 模型	稀疏激活下的最佳性能

面试总结

Transformer 块由多头注意力 + FFN 组成，包裹在残差连接和归一化中。
自注意力通过 QK^T 计算所有 token 对之间的相似度，除以 key 维度的平方根进行缩放。
多头注意力允许不同的头关注不同方面（语法、语义、位置）。
Pre-norm（子层之前的 LayerNorm）是 decoder-only LLM 的标准；比 post-norm 更稳定。
GQA（分组查询注意力）是 2025 年标准：以最小的质量损失减少 4-8 倍 KV 缓存。
MoE（混合专家）通过仅激活每个 token 的相关专家，实现扩展到万亿参数。
RoPE（旋转位置嵌入）主导位置编码；支持更好的长上下文外推。
SwiGLU 激活函数在 LLM 中优于 ReLU/GELU；为 FFN 添加门控机制。
线性注意力变体实现 O(N) 复杂度用于 1M+ token 上下文；在混合模型中使用。
2025 年架构趋势：MoE 用于扩展、GQA 用于效率、RoPE 用于位置编码、混合（Transformer + SSM）用于长上下文。

实践资源

动手练习：

1. 学习 GQA 实现：

2. 探索 MoE 模型：

3. 通过注意力可视化建立直觉：

BertViz - 注意力可视化
Transformer Explainer - 交互式注意力数学

4. 实验 RoPE：

RoPE 的 PyTorch 实现

1. 整体架构概览​

2. Self-Attention： "路由"层​

Query、Key、Value 直觉​

工程视角​

为什么需要多头？​

3. 分组查询注意力（GQA）- 2025 年标准​

谱系：MHA → GQA → MQA​

GQA 如何工作​

2025：加权 GQA（WGQA）​

4. 混合专家（MoE）- 扩展革命​

架构​

关键组件​

2025 年 MoE 模型​

为什么 MoE 重要​

MoE vs 稠密 FFN​

5. Pre-Norm vs. Post-Norm​

Post-Norm（原始 Transformer、BERT）​

Pre-Norm（GPT-2、Llama、PaLM）​

6. 前馈网络（FFN）与 MoE： "知识"层​

激活函数的演进​

什么是 SwiGLU？​

MoE 作为 FFN 替代​

7. 线性注意力与混合架构​

线性注意力（2020+）​

2025：高阶注意力（Nexus）​

8. 位置编码再探讨​

RoPE（旋转位置嵌入）- 黄金标准​

2025：PaTH Attention​

9. 面试常见问题​

Spring AI 模型配置​

基本模型配置​

参数调优指南​

选择合适的模型​

架构选择指南​

面试总结​