字节大模型应用开发二面：请详细解释一下 Transformer 模型中的自注意力机制是如何工作的？它为什么比 RNN 更适合处理长序列？

Langchain

316人浏览 · 2026-03-12 11:50:28

Langchain · 2026-03-12 11:50:28 发布

1. 题目分析

这道题是大模型面试中非常高频的基础题，考察的是候选人对 Transformer 架构核心机制的理解深度。面试官想听到的不是背诵公式，而是你真正理解自注意力机制在做什么、为什么这么设计。下面我们把这道题拆成两个部分来深入理解，然后给出一个真实面试场景下的参考回答

1.1 自注意力机制到底在做什么

要理解自注意力（Self-Attention），我们先想一个直觉性的问题：当我们读一句话"小明把苹果递给了小红，因为她饿了"的时候，我们是怎么知道"她"指的是"小红"而不是"小明"的？本质上是因为我们的大脑在处理"她"这个词的时候，会回头去看整句话中所有的词，然后判断哪个词跟"她"的关联最强。自注意力机制做的就是完全一样的事情——让序列中的每个词都能"看到"序列中所有其他词，并且根据相关性来决定应该重点关注谁。

具体的工作流程是这样的：输入序列中的每个 token 的 embedding 会通过三个不同的线性变换矩阵，分别映射成三个向量——Query（查询）、Key（键）和 Value（值）。你可以把 Query 理解为"我在找什么"，Key 理解为"我能提供什么"，Value 理解为"我实际的信息内容"。然后用每个 token 的 Query 去和所有 token 的 Key 做点积运算，这个点积的结果反映的就是两个 token 之间的相关程度。点积值越大，说明这两个 token 之间的关系越紧密。

接下来，点积结果会除以 Key 向量维度的平方根（即），这一步叫做缩放（Scaled），目的是防止点积值过大导致 Softmax 函数进入梯度极小的饱和区，影响训练稳定性。缩放之后通过 Softmax 归一化，得到注意力权重分布，这个分布本质上就是一个概率分布，表示当前 token 对序列中每个 token 应该分配多少注意力。最后用这个权重分布对所有 token 的 Value 向量做加权求和，就得到了当前 token 融合了全局上下文信息的新表示。

用公式表达就是：Attention(Q, K, V) = softmax(QK^T / ) V

这里还要提到**多头注意力（Multi-Head Attention）**的设计。Transformer 并不是只用一组 Q、K、V 来做注意力计算，而是把 embedding 拆分成多个子空间，每个子空间独立做一次自注意力，最后再把结果拼接起来。这么做的好处是不同的注意力头可以学习到不同类型的关系模式，比如有的头可能学习到语法关系，有的头学习到语义关系，有的头学习到位置关系，这样模型的表达能力就丰富很多了。

1.2 为什么自注意力比 RNN 更适合处理长序列

RNN 处理序列的方式是逐步递进的，第一个 token 处理完把隐藏状态传给第二个，第二个处理完传给第三个，以此类推。这种"串行传递"的方式带来了两个根本性问题。

第一个问题是长距离依赖的信息衰减。当序列很长的时候，前面 token 的信息需要经过很多步的传递才能到达后面的 token，每传递一步信息就会衰减一些。虽然 LSTM 和 GRU 通过门控机制缓解了这个问题，但并没有从根本上解决。当序列长度达到几百甚至上千的时候，早期的信息仍然会严重丢失。而自注意力机制完全不存在这个问题，因为任意两个 token 之间都是直接计算注意力的，不需要经过中间 token 的传递。无论序列多长，第一个 token 和最后一个 token 之间的信息传递路径长度始终是 O(1)，这就是自注意力在捕获长距离依赖上的根本优势。

第二个问题是无法并行计算。RNN 的计算必须严格按照序列顺序，第 t 步的计算依赖第 t-1 步的隐藏状态输出，这意味着整个序列的处理是串行的，无法利用 GPU 的并行计算能力。而自注意力机制中，所有 token 之间的注意力计算是相互独立的，QK^T 本质上就是一个大矩阵乘法，天然适合 GPU 并行加速。这使得 Transformer 在训练效率上远超 RNN，这也是为什么大模型时代几乎全部采用 Transformer 架构的重要原因之一。

当然，自注意力也有自己的短板，就是计算复杂度是 O(n²)，其中 n 是序列长度，因为每个 token 都需要和所有其他 token 计算注意力。当序列特别长的时候（比如长文档处理），这个二次方复杂度会成为瓶颈。所以后来才有了各种改进方案，比如稀疏注意力（Sparse Attention）、线性注意力（Linear Attention）、FlashAttention 等，都是在尝试降低这个计算开销。但即便如此，自注意力相比 RNN 在长序列上的优势仍然是压倒性的。

另外还有一点值得一提，Transformer 本身是不包含位置信息的，因为自注意力的计算是集合操作（set operation），跟 token 的顺序无关。所以 Transformer 需要额外引入位置编码（Positional Encoding）来注入序列的位置信息。原始 Transformer 用的是正弦余弦函数的固定位置编码，而现在主流的大模型基本都采用旋转位置编码（RoPE），它能更好地表达 token 之间的相对位置关系，也更容易外推到训练时没见过的长度。

参考回答

自注意力机制的核心思想是让序列中的每一个 token 都能直接关注到序列中所有其他 token，从而捕获全局的上下文信息。具体来说，输入序列的每个 token 通过三个线性变换分别映射成 Query、Key、Value 三个向量，然后用 Query 和所有 Key 做点积来计算相关性分数，经过除以的缩放防止梯度消失，再通过 Softmax 归一化得到注意力权重，最后用这个权重对 Value 做加权求和，就得到了融合了上下文信息的输出表示。实际使用中还会用多头注意力，把 embedding 拆成多个子空间分别做注意力再拼接，这样不同的头可以捕获不同类型的语义关系，丰富模型的表达能力。

至于为什么比 RNN 更适合处理长序列，主要有两个原因。第一，RNN 是串行传递隐藏状态的，信息要从前面的 token 逐步传到后面，距离越远信息衰减越严重，即使 LSTM 也无法根本解决，而自注意力中任意两个 token 之间的路径长度是 O(1)，直接计算注意力，天然擅长捕捉长距离依赖。第二，RNN 的计算是严格串行的，每一步依赖上一步的输出，无法并行，而自注意力的核心操作是矩阵乘法，天然支持 GPU 并行，训练效率大幅提升，这也是大模型时代全面采用 Transformer 的关键原因。当然自注意力也有 O(n²) 的计算复杂度问题，后续也有 FlashAttention、稀疏注意力等优化方案来应对超长序列场景。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇