04 注意力机制（下）：因果掩码与多头注意力

04 注意力机制（下）：因果掩码与多头注意力

系列第 4 篇。上一讲我们实现了自注意力并推导出softmax(QKᵀ/√d_k)V。这一讲解决两个关键工程问题：

1. 因果掩码（causal mask）：让 GPT 的注意力"只往前看"，保证自回归生成不被未来信息污染；
2. 多头注意力（multi-head attention）：多个"关注头"并行捕捉不同模式，以及它的高效矩阵实现。

对应《从零构建大模型》第 3 章后半部分。

1. 因果注意力：为什么 GPT 不能"偷看未来"？

1.1 问题：注意力默认是全双向的

上篇实现的注意力，每个 token 都能看到整个序列（包括未来的 token）。这在 BERT（编码器）里没问题，但对 **GPT（解码器）**是灾难——因为：

GPT 是自回归生成：预测第 t 个词时，只知道 1…t-1 的词。如果注意力能看到 t+1 的词，训练时就"泄漏了答案"，模型会退化成"抄答案"而不是"学预测"。

换个更直白的说法：如果把未来的词给模型看，那么"预测下一个词"这个任务就变成了"把下一格的答案抄过来"——