Transformer
模型架构Transformer 是 2017 年提出的一种模型架构，用”注意力机制”让词与词同时互相看。今天几乎所有大模型，底层都是它。
Transformer 是 2017 年 Google 一篇论文《Attention Is All You Need》里提出的模型架构。它不起眼地改写了 AI 史——今天你听过的几乎所有大模型，底层都是它。
在它之前，模型处理语言大多是一个字一个字地捋（RNN 那种），慢且记不远。Transformer 换了思路：用"注意力机制"让一句话里所有词同时互相看一眼，谁和谁相关、相关多少，一次性算清楚。这样既能并行、又能抓长距离关系，模型才能往上堆到千亿参数还不崩。
它是 LLM 的地基。没有 Transformer，就没有后面 GPT、Claude、文心这些能聊天的模型；Embedding（把词变成向量）也和它深度绑定。
普通人不用懂它的数学，只要记住一件事：你现在用的每个大模型，往上数三层，根都扎在 2017 年那篇论文里。它是这一波 AI 的"发动机设计图"。
和谁不一样
LLM
Transformer 是架构（设计图），LLM 是照着它造出来的模型。