词表与训练
从语料到词间矩阵，Token 化 + 注意力权重交互演示
本页解决的问题
先给结论「词表与训练」要解决的关键问题是什么？
从语料到词间矩阵，Token 化 + 注意力权重交互演示
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
「词表与训练」如何改变一次回答
「从语料到词间矩阵，Token 化 + 注意力权重交互演示」说明，模型处理的不是我们眼中的“字数”，而是一段段 Token。Token 的切分方式会影响输入长度、上下文能放下多少内容，以及一次请求要花多少计算。
长度、信息量和上下文不是一回事
当「从语料到词间矩阵，Token 化 + 注意力权重交互演示」变长时，先要分清三件事：文字被切成多少 Token、哪些内容真正参与当前判断、以及旧内容是否已经超出上下文窗口。删掉重复说明通常比单纯把窗口开得更大更有效。
先保留会改变判断的内容
可以用「从语料到词间矩阵，Token 化 + 注意力权重交互演示」做一次对照：保留同样的问题，分别删掉重复背景、压缩格式和移除无关历史，比较答案质量、延迟与 Token 数量。
从「词表与训练」走到「全局词间关联权重矩阵 ( )」
「词表与训练」先把问题落在「大模型学习的第一步：读取人类提供的海量文本数据」上；到了「全局词间关联权重矩阵 ( )」，讨论继续推进到「关联弱 关联强 哥哥 → ? 重新采样 Temperature 0.70 Top-P 0.90 候选词概率分布」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
处理长文本时，先保留会改变结论的内容，再决定如何压缩格式和历史；上下文更长只有在新增信息真正有用时才值得付出代价。
- 「词表与训练」：大模型学习的第一步：读取人类提供的海量文本数据
- 「全局词间关联权重矩阵 ( )」：关联弱 关联强 哥哥 → ? 重新采样 Temperature 0.70 Top-P 0.90 候选词概率分布
最后的「最后把结论落到实践」把讨论落到「从语料到词间矩阵，Token 化 + 注意力权重交互演示」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。