1 项目背景
业务场景
算法团队在客服工单分类模型的基础上，尝试做 Attention 可视化——展示模型在判断"这是投诉工单"时关注了文本中的哪些词。产品经理想把这个功能做成一个可解释性面板，让客服理解 AI 为什么做出这个判断。
小陈在 BERT 模型的forward()中插入了一个 hook 来提取 attention 权重，但发现提取出来的 attention 矩阵全是 0——原来 BERT 默认不返回 attention weights（output_attentions=False）。即使设置为 True 后，返回的 attention 矩阵维度是(batch, num_heads, seq_len, seq_len)，如何从 12 层 12 头共 144 个矩阵中提取有意义的信息又是个难题。
同时，团队在尝试用 KV Cache 加速 GPT-2 生成时，发现past_key_values的使用方式与预期不同——KV Cache 的 shape 在每一步都会增长，但代码中并没有显式的拼接操作。这背后的机制是什么？
痛点
Attention 是 Transformer 的灵魂，但从"知道 Attention 公式"到"看懂源码中 Attention 的完整计算链路"中间有一条大沟：
- attention_mask 的玄学：BERT 的
extended_attention
)
