堆疊引擎：深度、脈絡混合，以及它為何能擴展

一個區塊，不斷重複

我們現在有了一個完整的 transformer 區塊：多頭注意力，接著前饋網路，各自包上正規化、並加進殘差流。一個完整的模型，就是把這個一模一樣的區塊堆疊（stack）很多次——小模型可能疊 12 層，前沿模型疊 80 層以上。詞元在底部以嵌入的形式進入，往上流動，每一層都把滾動的向量再精煉一點。

因為每個生成式 LLM 都是用這樣的遮罩區塊堆成、上頭不再加別的東西，這整個家族就叫僅解碼器架構（decoder-only architecture）。從 GPT 到 Llama 到 Claude，骨架都一樣；不同的是規模、上一篇講的正規化與位置細節，以及訓練。

# a decoder-only transformer, end to end
x = embed(tokens) + positional_info        # tokens -> vectors

for block in range(n_layers):              # e.g. 12 ... 80+
    x = x + attention(norm(x), causal=True)  # mix across positions
    x = x + feedforward(norm(x))             # think per position

x = norm(x)
logits = x @ embed.weight.T                # vectors -> next-token scores

整台引擎：嵌入、重複區塊、投影回詞彙表。注意每一層都是加進 x——也就是殘差流。

深度把混合變成理解

為什麼要重複區塊？因為每一層只做一輪脈絡混合（context mixing）——詞交換資訊的一次機會。堆疊讓資訊能分階段地傳遞與組合，於是浮現出一個研究者一再看到的粗略層級。

早期的層處理表層結構——詞元身分、鄰近的詞、基本文法。位置型和前一詞型的頭在這裡主導。
中間的層組裝意義——解決它指什麼、追蹤誰對誰做了什麼、把事實綁在一起。
後期的層磨利預測——把累積的理解轉成對下一個詞元的具體猜測。

觀察這個過程的一個漂亮方法是logit 透鏡（logit lens）：在每一層、而不只是最後一層，把殘差流解碼成下一個詞元的猜測。你真的能看著模型的預測隨向量爬上堆疊而逐漸定型——底部模糊、頂部篤定。配上第 3 篇的注意力模式視覺化（attention pattern visualization），就能對模型的推理得到一幅出乎意料地好讀的圖像。

為什麼偏偏是這台引擎能擴展

Transformer 勝出，不只是因為注意力聰明。它勝出，是因為它擴展（scale）的能力幾乎前無古人。三個特性疊在一起：

平行性。 沒有循環，每個位置一次算完，所以這個架構能餵飽現代 GPU 與 TPU。你能在合理時間內訓練數兆個詞元。
穩定的深度。 殘差流（residual stream）與 pre-norm 讓梯度能撐過極大的深度，所以加層持續有幫助，而不是搞壞訓練。
統一的單元。 區塊是一個重複的形狀，容易攤分到上千顆晶片上——同一張圖，只是更寬更高。

正是這些特性，讓著名的擴展定律（scaling laws）成為可能：橫跨許多數量級，當你增加參數、資料與算力時，transformer 的損失平滑而可預測地下降。這種可預測性，正是各實驗室願意為更大的訓練砸下重金的原因——他們大致能預估會得到什麼。在很實在的意義上，transformer 是第一個獎勵你把它造得龐大的語言模型架構。

L(N) = \left(\frac{N_c}{N}\right)^{\alpha_N}

縮放定律：損失隨模型規模 N 以平滑的冪律下降——正是這種規律讓更大的模型可預測地更好。

你現在能讀懂什麼

退一步，看看你現在能從頭到尾追蹤的東西。詞元變成向量；用查詢、鍵、值的注意力混合脈絡；多個頭各自專精，而因果遮罩讓模型保持誠實；前饋層思考；殘差與正規化讓整體穩定；位置被編碼；區塊不斷重複，直到淺層的模式變成深層的理解。這就是你用過的每個聊天機器人內部的引擎。