大模型架构：理解大模型预测输出文本的底层逻辑
大模型全称大规模预训练语言模型（Large Language Model，简称 LLM），是基于Transformer 架构、参数量达到数十亿 / 千亿级、在海量文本 / 多模态数据上完成预训练的人工智能模型。
自然语言输入到大模型后，通过分词器Tokenizer将自然语言转换为TokenID序列，并将TokenID序列输入到Embedding嵌入层，该层通过查向量表将无语义的TokenID序列转换为具有语义空间的N维向量，叠加位置编码后输入到Transformer层。
在Transformer的每一层中，对输入依次做：层归一化LN1→多头自注意力MHA→残差连接→层归一化LN2→FFN前馈神经网络→残差连接。然后再将输出传递到下一层，直到最后一层输出特征向量。该特征向量包含了原语义、位置编码、上下文语义、token关联语义等信息，然后传入LM Head输出层。
在LM Head输出层（或者叫线性变换层），对特征向量进行线性投影生成词表维度logits，其中包含了几万 ~ 十几万所有可用token数值，每个数值代表在当前上文后，这个token作为下一个字的匹配分数。对logits进行Softmax计算（训练阶段不需要Softmax计算），得到一个值在0~1之间，总和为1的概率分布，然后通过解码策略（贪心/采样）选出1个目标TokenID，将目标TokenID拼接在原始TokenID序列后，再送入Embedding嵌入层循环走一遍计算输出流程，直到输出EOS终止符号，然后将TokenID序列通过分词器解码为自然语言后，完整返回给前端，再由前端进行展示输出结果。
分词器
分词器是独立于神经网络的文本转换工具，核心作用：把人类自然语言字符串，拆分成模型词表定义的最小单元（Token），再映射为模型能接收的整数 ID；同时内置批量对齐、掩码生成等附加处理能力。
编码
现代大模型采用Byte-BPE标准分词算法，通过对原始文本进行标准化清洗、预分词、UTF-8字节转换、BPE子词贪心合并、插入特殊符号、映射TokenID步骤实现从原始文本到TokenID序列的映射。
分词器中内置固定词表，存储所有Token字符串与唯一ID的映射关系。在通过BPE算法分词结束后，通过查表将原始文本映射为TokenID序列，无填充、无截断。
分词器中内置了附加预处理功能，在将TokenID序列传入Embedding嵌入层之前，支持对其进行截断、补pad、生成attention_mask功能，在训练阶段强制开启，在推理阶段，在线对话除截断按需开启外，pad和attention_mask默认不开启，离线批量推理强制开启。
解码
解码是编码的反向流程，自回归生成结束（采样到）后执行，把模型输出的数字 ID 序列还原成文字，主流 Byte-BPE/SentencePiece 通用这套步骤。
Embedding嵌入层
Embedding嵌入层是大模型神经网络第一层转换模块。它维护一张tokenID为索引，多维向量为值的二维向量表，推理时仅查表，训练时会通过反向传播更新二维向量表。
权重矩阵 Wemb∈Rvocab_size×hidden_dim 输入TokenID（一维/二维批量），以ID为行索引，取出对应向量，输出张量： 这个过程纯查表索引，无矩阵乘法、无激活函数，是最简单的线性映射。
叠加位置编码
Embedding嵌入层输出张量后，在送入Transformer层之前，还需要叠加位置编码。
为什么要添加位置编码？因为在Transformer内部只有矩阵乘法，完全是置换等价的。也就是说，同样的token序列，尽管顺序不同，在Transformer中计算的注意力权重也是一模一样的。
为文本向量叠加位置编码的核心目的是使token序列相同，但顺序不一致的向量传入到Transformer之后是不同的向量，这样Transformer就能够区分。
位置编码给每个位置添加独有的时序坐标，让模型能识别Token 的先后顺序、远近关系，解决 Transformer 天生丢失语序信息的缺陷。
Transformer层
Transformer Block（常简称 Transformer 层）是大模型的核心基础计算单元，基于自注意力机制（Self-Attention）构建，负责对融合语义与位置信息的三维特征张量，完成全局上下文语义建模；模型通过堆叠数十 / 上百个完全相同的该层，实现长距离文字关联理解，是自回归大模型的核心特征提取模块。
在Transformer层主要有两大模块：多头自注意力和FFN前馈网络。在张量进入这两个模块之前都需要做层归一化，经过模块处理之后进行残差连接。其中，多头自注意力模块解决词与词之间的关系问题 ；FFN前馈网络模块解决单个词内部的深层语义细化问题，而层归一化是将张量中的数值统一在稳定范围内，避免训练过程中的梯度爆炸和梯度消失问题，残差连接是将多头自注意力模块或FFN模块输出的张量加上原始Transformer层输入张量，避免原始文本语义丢失。
随着Transformer逐层深入，大模型对原始文本的理解也越来越深刻，最终走完所有层之后输出文本的特征张量，并输入到LM Head输出层。
LM Head输出层
LM Head（语言模型头）是堆叠完全部 N 层 Transformer后的最后计算模块，唯一任务： 接收最后一层 Transformer 输出的三维特征张量，把每个 Token 位置的语义向量，换算成全词表所有 Token 的预测概率分布，根据解码策略选出下一个 Token ID 用于自回归生成。
在LM Head输出层主要有3个步骤：LM Head线性变换、Softmax归一化、预测下一个TokenID。
LM Head线性变换是预测下一个词的关键。如果说前面的步骤是对原始输入文本进行的深度理解，那么这一步骤才开始真正预测下一个token。在模型内部预置了一个权重矩阵 Wlm，该矩阵是在训练阶段得到，通过将输入的特征张量与 Wlm相乘，即可得到单条样本的logits输出，如：[2.1, 0.3, 5.7, 1.2, -0.8]，数字越大，代表该Token 作为下一个词的匹配度越高。
Softmax归一化是将原始得分转换成概率，一行所有概率相加总和等于1。上面的示例归一后：0.07, 0.01, 0.82, 0.08, 0.02。
预测下一个TokenID的策略有两种，一种是贪心采样，直接取概率最大值对应的下标。另一种是Top-p/Top-k采样，只保留高概率Token，随机采样提升文本多样性。
如果采样结果为<EOS>结束符，则停止生成，收集全部生成TokenID送入分词器解码输出文本；如果未出现<EOS>，将新TokenID拼入原始上下文序列，重新走分词器→Embedding→Transformer 整套链路。