待验证50% 置信事实精确时间
注意力汇聚点现象由MIT的Xiao等人在2023年的StreamingLLM论文中系统描述，指Transformer模型会将大量注意力权重分配给序列开头的几个token（通常是第1-4个）
1
来源数
50%
置信度
长期有效
时效性
2026/8/31
首次发现
来源
涉及实体
相关事实
待验证Transformer模型的注意力机制使模型能够在长达数千Token的上下文窗口内追踪对话语义，而早期LSTM模型受限于固定窗口的短期记忆71% 相似已验证Transformer的自注意力机制允许模型直接计算序列中任意两个位置之间的依赖关系，突破了RNN/LSTM因顺序计算导致的并行化瓶颈71% 相似已验证自注意力机制取代了此前主流的RNN/LSTM，当前所有主流大模型均为Transformer变体69% 相似待验证大模型底层采用Transformer架构，其注意力机制要求每个token与上下文中所有其他token进行交互计算，带来近似二次方复杂度特性68% 相似待验证Transformer架构的注意力机制允许模型在处理序列时动态关注其他位置信息，将需求讨论集中在一轮连续对话中比分散在多个会话中效果更好68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/827312API
curl https://kongchang.com/api/v1/knowledge/claims/827312MCP
get_claim(id=827312)