Transformer 中 QKV 流向全解析（含注意力机制箭头图示）
QKV 是什么？
在 Attention 机制中，我们通过 Query（查询） 与一组 Key-Value（键-值）对 计算注意力权重，然后用这些权重对 Value 进行加权求和，从而输出当前时刻关注上下文的结果。
Transformer 中注意力模块分布
Transformer 结构中含有三种注意力机制，每个机制都会涉及 Q、K、V 的构建和使用：
-
编码器自注意力（Encoder Self-Attention）
-
解码器自注意力（Decoder Self-Attention）
-
编码器-解码器注意力（Encoder-Decoder Attention）
编码器中的注意力机制（Encoder Self-Attention）
位置：每个 Encoder Layer 内的 Multi-Head Self-Attention 子层
输入：编码器输入（embedding 或上层输出），记作 X
-
Q = X × W_Q：当前词想要“查询”的内容
-
K = X × W_K：当前词能“提供”的信息
-
V = X × W_V：当前词携带的实际信息
因为是 自注意力（Self-Attention），所以 Q、K、V 都是来自同一个输入。
[Encoder Input X]│┌───────────┴───────────┐▼ ▼Linear(W_Q) Linear(W_K, W_V)▼ ▼Q ------------------> K│▼Attention│▼V
解码器中的注意力机制（Decoder Self-Attention）
位置：每个 Decoder Layer 的第一层 Multi-Head Self-Attention 子层
输入：解码器已生成的词（embedding 或上层输出），记作 Y
-
Q = Y × W_Q
-
K = Y × W_K
-
V = Y × W_V
同样是 自注意力机制，Q、K、V 均来自 Y。
注意：此处需要 mask 掩码，防止看到未来词。
[Decoder Input Y]│┌───────────┴───────────┐▼ ▼Linear(W_Q) Linear(W_K, W_V)▼ ▼Q ------------------> K│▼Masked Attention│▼V
解码器中的编码器-解码器注意力机制（Encoder-Decoder Attention）
位置：每个 Decoder Layer 的第二层 Multi-Head Attention 子层
输入：
-
解码器当前输入
Y（当前时间步的 query） -
编码器输出
X_enc（作为 memory 提供上下文） -
Q = Y × W_Q（来自解码器的当前输出）
-
K = X_enc × W_K（来自编码器输出）
-
V = X_enc × W_V（来自编码器输出）
这是典型的 跨注意力机制（Cross-Attention）。解码器在“查询”编码器输出中哪些内容有用。
[Decoder Hidden Y] [Encoder Output X]│ │Linear(W_Q) Linear(W_K), Linear(W_V)│ │▼ ▼Q -----------------------> K│▼Attention│▼V
多头注意力机制（Multi-Head Attention）中的 Q、K、V 计算细节
在每个注意力模块中，会有 num_heads 个独立的头，每个头都有自己的一套 W_Q、W_K、W_V：
Q = input @ W_Q # [batch, seq_len, d_model] @ [d_model, d_k]
K = input @ W_K
V = input @ W_V
然后每个 head 分别进行注意力计算，再合并回去（Concat），再接一个线性变换。
总结对照表
| 注意力类型 | Q 来源 | K 来源 | V 来源 | 是否 Mask |
|---|---|---|---|---|
| 编码器自注意力 | 编码器输入 X | 编码器输入 X | 编码器输入 X | 否 |
| 解码器自注意力 | 解码器输入 Y | 解码器输入 Y | 解码器输入 Y | ✅ 是 |
| 编码器-解码器注意力 | 解码器输入 Y | 编码器输出 X | 编码器输出 X | 否 |