当前位置：首页 > news >正文

【LLM1】大型语言模型的基本生成机制

news 2025/8/19 9:08:11

【LLM1】大型语言模型的基本生成机制

❝ 你好呀！我是是Yu欸 👋🚀 在感兴趣的领域扩展知识 🌈 感谢你的陪伴与支持(*^▽^*)

写在最前面

换方向啦，后面的论文想尝试大语言模型。现在从零开始，做下学习笔记。

详细地回顾一下大型语言模型（LLM）的基本生成机制。

你可以把它想象成一个分步的旅程：从理解你的问题，到在大脑（模型架构）中思考，再到一字一句地组织语言并最终输出。

LLM 的生成机制可以概括为以下流程：

输入 (Prompt) → Tokenization (词元化) → Embeddings (向量化) → [循环处理块：Self-Attention (上下文理解) + Feed-Forward Network (信息处理)] → 输出一个概率分布 → Decoding/Sampling (选择一个词) → 将新词加入输入序列 → 重复循环

核心思想：一个极其强大的“文字接龙”大师

从根本上说，所有大型语言模型的生成机制都基于一个核心任务：预测下一个最合理的“词元”（Token）。

一个“词元”可以是一个单词（如 "apple"）、一个词根（如 "run" 在 "running" 中）或甚至是一个标点符号。模型通过分析已有的文本序列，计算出词汇表中成千上万个候选词元中，哪一个出现在下一个位置的概率最高。

这个过程是自回归（Autoregressive） 的，就像多米诺骨牌一样：

你给出一个提示（Prompt），比如 "今天天气真不错，适合去..."。
模型分析这句话，预测下一个最可能的词元是 "公园"。
然后，模型将 "公园" 添加到输入序列中，新的序列变成 "今天天气真不错，适合去公园..."。
它再次分析这个新序列，预测下一个词元，可能是 "散步"。
如此循环往复，一词一词地生成，直到满足停止条件（例如生成了结束符、达到最大长度或内容完整）。

所以，整个看似复杂的对话、写作、编程过程，都被拆解成了无数次“下一个词元是什么？”的概率问题。

第一步：理解输入 - 词元化与嵌入（Tokenization & Embeddings）

计算机不理解文字，只理解数字。当模型接收到你的提示（Prompt），比如 "今天天气真不错，适合去..."，它不能直接理解这些文字。它需要将这些文字转换成自己能处理的数字格式。这个过程包含三步：

分词 (Tokenization)
- 是什么：把一句话切分成一个个更小的单元，这些单元被称为“词元”（Token）。Token 可以是一个完整的单词（"today"），一个词根（"runn"ing），甚至一个标点符号（","）。
- 为什么这么做：人类的词汇量是海量的，如果把每个单词都当作一个独立单元，那模型的词汇表会大到无法管理。通过分词，可以用有限的、几万个常用 Token 来组合表示出几乎所有的词语，大大提高了效率。例如，“unbelievable” 可能会被分成 “un”、“believe”、“able” 三个 Token。使用子词（sub-word）作为词元的好处是，模型既能处理常见词，也能通过组合子词来理解和生成它从未见过的罕见词或新词。
- 例子: "今天天气真不错" -> ["今天", "天气", "真", "不错"]
词嵌入 (Token Embedding)
- 是什么：将每个离散的 Token 转换成一个包含丰富语义信息的数学向量（一长串数字）。这个向量被称为“嵌入向量”（Embedding Vector）。这个向量可以被认为是该词元在“语义空间”中的坐标。
- 为什么这么做：纯粹的数字 ID（比如 "今天"=1, "天气"=2）无法表达词与词之间的关系。而嵌入向量是在一个高维空间中表示 Token 的位置。在这个空间里，意思相近的词，它们的向量也更接近。比如，“国王”的向量减去“男人”的向量，会约等于“女王”的向量减去“女人”的向量。这是模型理解语义的关键。
- 例子: ["今天"] -> [0.12, -0.45, 0.88, ..., -0.02] (一个几百甚至几千维的向量)
位置编码 (Positional Encoding)
- 是什么：在词嵌入向量的基础上，再额外添加一个包含位置信息的向量。
- 为什么这么做：我们接下来要讲的核心机制——自注意力（Self-Attention）——本身是无法感知单词顺序的。在它看来，“你爱我”和“我爱你”的词汇完全一样。为了让模型理解语序，我们需要明确地告诉它每个 Token 在句子中的位置。位置编码就是给每个位置（第1个、第2个、第3个...）生成一个独特的数学签名，并将其融入到词嵌入中。

经过这三步，你的输入 "今天天气真不错" 就变成了一系列包含了语义信息和位置信息的向量，准备好进入模型的核心进行处理。

第二步：核心处理 - Transformer 架构与自注意力机制

这是 LLM 的“大脑”，现代 LLM 几乎都基于 Transformer 架构。这个架构由许多个被称为“Transformer Block”的模块堆叠而成。每个 Block 都在做同一件事：不断提炼和丰富每个 Token 向量的上下文信息。

其中最关键的机制是 **自注意力机制 (Self-Attention Mechanism)**。

1. 位置编码 (Positional Encoding)

原始的 Transformer 架构本身无法感知词元的顺序。为了解决这个问题，模型会在词嵌入向量中加入一个“位置编码”向量。这个额外的信息告诉模型每个词元在序列中的绝对或相对位置，使得模型能够理解 "A B" 和 "B A" 是不同的。

2. 自注意力机制 (Self-Attention Mechanism)

这是 LLM 的核心所在。自注意力机制允许模型在处理一个词元时，能够“关注”到输入序列中所有其他词元，并根据相关性赋予它们不同的“注意力权重”。

举例说明： 在句子 “机器人举起了红色的球，因为它很重” 中，当模型处理到 "它" 这个词时：
- 自注意力机制会计算 "它" 和句子中其他所有词（机器人、球、红色、重...）的关联性。
- 它会发现 "它" 的 Query 向量和 "球" 的 Key 向量高度相关，而和 "机器人" 的相关性较低。
- 因此，"球" 会获得一个很高的注意力权重，而其他词的权重较低。
- 最终，"它" 的新向量表示会大量融入 "球" 的信息，模型从而理解了 "它" 指代的是 "球"。
**工作原理 (Query, Key, Value)**：这个过程是通过一种叫做 "Query-Key-Value" (QKV) 的模型来实现的。
1. 生成三个向量：对于输入的每一个 Token 向量，模型都会通过不同的权重矩阵，生成三个新的向量：
  - Query (Q) 向量：代表当前 Token 去“查询”其他 Token 的“提问”。可以理解为：“我是谁？我需要和谁建立联系？”
  - Key (K) 向量：代表当前 Token 用来被其他 Token“检索”的“标签”。可以理解为：“我有什么特征？可以被如何描述？”
  - Value (V) 向量：代表当前 Token 实际包含的“内容”。可以理解为：“我实际的意义是什么？”
2. 计算注意力分数：要计算A对B的注意力，就是用 A 的 Query 向量和 B 的 Key 向量进行点积运算。这个分数代表了 B 对于理解 A 的重要程度。
3. **归一化 (Softmax)**：将计算出的所有分数进行一次 Softmax 运算，使其总和为1。这样，分数就变成了权重，表示在当前这个词的上下文中，应该给其他每个词分配多少“注意力”。
4. 加权求和：将每个词的 Value 向量乘以它对应的权重，然后把所有结果加起来。这样就得到了一个全新的向量，它不仅包含了当前词自己的信息，还融合了整个句子中所有其他词的上下文信息，并且是根据重要性加权的。

通过这个机制，模型中的每个词都“看”过了句子中的所有其他词，并更新了自己对上下文的理解。一个 Transformer Block 还包含其他部分，比如前馈网络（Feed-Forward Network）来进一步处理信息，但自注意力是其精髓。

通过多层堆叠这样的注意力机制（Multi-head Attention），模型可以从不同角度捕捉复杂的语法和语义关系。

第三步：生成输出 - 解码与采样策略

当输入向量流经所有 Transformer Block 后，模型已经对输入有了非常深刻的理解。最后，它需要做出预测，也就是生成下一个 Token。

最终向量转换 (Linear Layer)
- 模型将最后一个 Transformer Block 输出的、代表“下一个待预测词”的向量，通过一个线性层进行转换。
- 这个线性层的输出维度等于模型词汇表的大小（比如 50,000）。输出的这个超长向量我们称之为 Logits。Logits 向量中的每一个值，都对应着词汇表中一个 Token 的“得分”，分数越高，代表模型认为这个 Token 是下一个词的可能性越大。
概率化 (Softmax Function)
- Logits 只是原始得分，还不够直观。模型会再次使用 Softmax 函数，将这些得分转换成一个概率分布。
- 经过 Softmax 后，所有 Token 的得分总和为1，每个值都在0到1之间，可以直接看作是该 Token 成为下一个词的概率。
- 例子: 对于 "今天天气真不错，适合去..."，模型可能会输出：
  - "公园": 35%
  - "爬山": 20%
  - "吃饭": 15%
  - "睡觉": 5%
  - ... (其他所有词的概率)
选择下一个词 (Decoding Strategy)
- 现在，模型需要从这个概率列表中选择一个词元作为最终输出。这里有多种策略，它们直接影响了生成文本的质量、创造性和确定性。

1. 贪心搜索 (Greedy Search)

策略： 最简单直接的方法，总是选择当前概率最高的词元。
优点： 快速、计算成本低。
缺点： 非常容易产生重复、无聊、缺乏创造性的文本。因为它只看眼前最优，可能会错过全局更优的句子组合。

2. 束搜索 (Beam Search)

策略： 在每一步，不仅仅保留概率最高的一个选项，而是保留 k 个（k 被称为束宽，Beam Width）最可能的序列。在下一步，从这 k 个序列出发，继续生成，并再次选出总概率最高的 k 个新序列。
优点： 生成的文本比贪心搜索更连贯、质量更高。
缺点： 计算成本更高，仍然倾向于生成比较“安全”和保守的文本。

3. 采样策略（引入随机性）

为了让生成内容更有创造性和多样性，我们可以在概率分布中引入随机性。

温度 (Temperature) 采样:
- 这是一个调节参数。高温（>1） 会让原始概率分布变得更平缓，使得低概率词元更容易被选中，结果更具创造性、随机性，但也可能出现更多错误和胡言乱语。低温（<1） 则让概率分布更尖锐，高概率词元更容易被选中，结果更接近贪心搜索，更保守、确定。Temperature=0 就等同于贪心搜索。
Top-K 采样:
- 策略： 在所有词元中，只考虑概率最高的 K 个，然后在这 K 个词元中按照它们的相对概率进行随机采样。
- 优点： 限制了采样范围，避免了选中那些非常不靠谱的低概率词元。
Top-P (Nucleus) 采样:
- 策略： 一种更动态的策略。从概率最高的词元开始，不断累加它们的概率，直到总和超过一个预设的阈值 P（例如 0.95）。然后，模型只从这个概率总和超过 P 的核心词元集合（Nucleus）中进行采样。
- 优点： 采样集合的大小是动态的。当模型非常确定下一个词时（例如 "I love" 之后很可能是 "you"），这个集合会很小；当模型不确定时（在一个开放式问题的开头），集合会很大，允许更多探索。这通常被认为是效果最好的采样策略之一。

总结

LLM 的生成机制可以概括为以下流程：

让我们把整个流程串起来，看模型是如何生成一个完整句子的：

输入: 你给出 "The cat sat on the"
处理: 模型经过分词 -> 嵌入 -> 位置编码，将输入转为向量。
思考: 向量流经多层 Transformer Blocks，通过自注意力机制，模型深刻理解了“猫坐在...”这个场景。
预测: 模型在最后输出一个概率分布，发现 "mat" (垫子) 的概率最高。
选择: 通过某种解码策略（比如 Top-K 采样），模型选择了 "mat" 作为输出。
循环: 模型将新生成的 "mat" 追加到输入序列的末尾，形成新的输入 "The cat sat on the mat"。
重复: 模型将这个新序列作为下一次预测的输入，重复上述 2-6 步，继续预测下一个词（可能是句号 "."），直到生成结束符（[EOS]）或者达到预设的最大长度。