Posts

不要被数学吓到：张量就是装数据的多维盒子，AI模型的统一数据容器。 - 0维张量 = 单个数字：85，一个数值，比如某一天销量 - 1维张量 = 一维数组（向量）：[12,45,33]，好比一张表格的一行，3个SKU的销量 - 2维张量 = 矩阵：表格，行=样本，列=特征。比如100条历史销售记录，

业务通俗比喻 把每一层Block想象成一道加工工序： - 第1‑2层：看懂字面、词语、局部语法（看懂相邻词语关系） - 第3‑4层：理解句子句法、短语关系 - 第5‑6层：提炼全局深层语义、长距离逻辑（跨很远的词的指代、逻辑） 句子（张量）一层层流过每道工序，逐层把原始输入打磨成高级语义特征。 👉

翻译 交叉熵；在Transformer训练场景完整叫法：交叉熵损失函数 一、一句话业务通俗定义 对比两组概率分布： 一组=模型预测出来的概率（Softmax输出） 一组=标准答案（真实单词的One-Hot向量） 交叉熵算出两者之间的差距，差距越大=损失越高，用来指导模型自我修正。 供应链生活化例子（

中文标准名称：贪心解码 / 贪心搜索 一句话核心定义 大模型逐字生成文本时，每一步只挑选当前概率最高的词（argmax），选定之后不再回头、不保留其他备选方案，一条路走到结束。 简单数字例子（完整链路串联） 上文：零部件库存不足 模型输出Logits → Softmax算出候选词概率： 缺货：0.6

中文标准叫法：独热编码 一、一句话通俗定义 先建立词汇表，给每个词语分配唯一编号（index索引）； 把词语转换成一串数字向量：只有自己索引位置写1，剩下全部填0。 直观小例子 词汇表：【汽车配件，零部件，缺货，物流】一共4个词 - 汽车配件（索引0） → [1, 0, 0, 0] - 零部件（索引

一句话定义 文本生成时，不单单只保留一条句子，同步维持 K 条最优候选句子（K叫束宽 beam size）。每一步新词预测后，筛选总分最高的K条继续推演，直到生成结束，最后选出综合得分最高的句子作为结果。 生活化类比 你想爬山找最佳观景路线。 - 贪心解码：每次岔路口只选当下看起来最好走的一条路，一

从向量到QKV到点积到缩放到Softmax到加权融合，完整的Transformer注意力流程，全程业务语言，供应链案例贯穿。

用业务语言讲清楚 Cross-Attention：两组相互对应的信息，用A做查询方去检索匹配B里的内容。

余弦相似度是衡量两段文本语义相似程度的打分方法，只对比方向不看长短，是文本语义匹配的首选方案。

用纯业务语言解释向量的概念：向量就是把文字翻译成一串标准化数字，让计算机能理解和对比。