前言
一直好奇大语言模型是如何理解人类问题的，然后给出正确的响应，最近学习总结一下。
划重点：嵌入技术：将语言的复杂性转化为机器可高效处理的数学框架，同时保留语义本质。通过这种从符号到向量的转化，大型语言模型获得了理解词语与概念间关系的能力，从而实现高级语言处理。
具体流程如下：
注：本文中的“标记/单元” 可以理解为 ‘token’
一、分词：将文本输入转化为模型可读单元
在大型语言模型开始处理问题之前，必须先将文本分解为模型可理解的单元(token)。这一关键的第一步为所有后续处理过程奠定了基础。
分解成tokens
分词是大型语言模型处理文本的关键第一步，其核心是将输入文本分解为称为’标记’的较小单元(token)，使模型能够理解和分析。对于英语，一个标记通常对应0.75个词或约四个字符。
二、分词工作原理
不同大型语言模型采用多种分词方法将文本划分为可处理token，主流技术包括字节对编码（BPE）、WordPiece和SentencePiece。这些方法将词语切分为有意义的子成分：例如’tokenization’可能被分解为’token’和’ization’两个标记，因每个子词都参与构成完整词义的理解。
大型语言模型的效能往往取决于其分词策略。子词分词方法通过将未知单词拆解为已知子词成分，可显著减少未登录词错误。
三、标记预算管理
大型语言模型的上下文长度限制范围从几千至128,000标记。有效利用标记的关键在于优先处理相关信息并消除冗余内容。
语言差异性
不同语言的分词方式存在差异。具有复杂形态结构的语言在表达相同内容时，可能比其他语言需要更多标记。
标记效率提升
标记效率可通过以下方式提升：将信息按重要性降序组织；使用简洁且语义清晰的语言；实施提示压缩技术；
提交前预估标记用量。
理解分词机制是有效运用大型语言模型的基础，尤其在成本管控与上下文长度内信息最大化方面。文本的分词方式直接影响提示可容纳的信息量及其处理成本。
四、嵌入流程：从标记到向量表示
当文本被分解为标记后，大型语言模型需将这些离散符号转化为可处理的数学形式。此处嵌入技术将语言转换为数值空间，使语义能够被操作处理。
嵌入构成大型语言模型语言建模的基础。文本处理时，首先被分解为模型可理解的标记——包括词语、子词或字符。这些标记随后转化为称为嵌入的数值向量，用于捕捉文本元素间的语义关系。
嵌入流程将离散的词语单元（标记）映射为数值向量。例如’tokenization’一词可分解为’token’和’ization’，因每个子词都参与完整词义的理解。
从词语到数学表征
在LLM推理的预填充阶段，输入标记被转化为向量嵌入——即模型可处理的数值表征。这些嵌入捕捉每个标记的语义本质，辅以位置编码提供序列顺序信息。
每个标记的嵌入向量与训练习得的权重矩阵相乘，通过线性投影生成查询向量、键向量和值向量。该数学表征使模型能运用计算技术处理语言。
向量空间中的嵌入可视化
嵌入将词语定位在高维空间中，相似概念在此空间内距离更近。这种几何结构使模型能够以数学方式（而非符号方式）推理概念间的关系。
对于含生僻词汇或带前后缀词语的复杂文本，子词表征可将这些元素进一步分解。当标准上下文嵌入技术可能不足时，该方法在处理未登录词和形态丰富语言时尤为有效。
嵌入技术的强大能力在于：将语言的复杂性转化为机器可高效处理的数学框架，同时保留语义本质。通过这种从符号到向量的转化，大型语言模型获得了理解词语与概念间关系的能力，从而实现高级语言处理。
五、Transformer架构与注意力机制
当标记转化为嵌入后，模型需处理这些表征以理解其相互关系。Transformer架构——尤其是其注意力机制——使大型语言模型能够捕捉这些复杂关系。
Transformer核心组件
该架构构成现代大型语言模型（LLM）的核心架构。其核心在于自注意力机制，可同步分析所有标记间的关系。这种并行处理能力赋予Transformer理解上下文的卓越性能。
关键转换步骤：
- 将标记转化为数值向量（嵌入）
- 通过注意力机制处理嵌入
- 计算三个矩阵：查询矩阵、键矩阵、值矩阵
- 应用数学运算确定关系
注意力机制的运作原理是从输入数据计算三个矩阵：查询矩阵、键矩阵和值矩阵。该方法借鉴数据库操作原理——用户通过发出与键匹配的查询来检索对应数值。
六、总结
大型语言模型从提示到响应的全流程涉及多个精密协同的运作机制。理解这些技术——分词、嵌入、注意力及推理模式——对开发AI驱动产品具有核心指导价值。
此处呈现的技术知识可直接转化为实践优势：优化标记用量可降低成本并最大化上下文利用率；基于推理模式设计提示能获得更可靠精准的输出；思维链提示与元提示等先进技术，能实现以往超越AI能力的复杂推理任务。
注：部分材料整理于网络