LLM生成文本时，是自回归地生成。那每次是把之前所有的token都输入，还是只输入上一个token？

答：在逻辑层面上，是输入“之前所有的token”；但在物理运算层面，我们通过一种技术手段避免了重复计算。

1. 逻辑层面：为什么需要“全量输入”？

LLM（如 GPT 系列）基于Transformer Decoder架构。为了预测下一个词，模型必须理解上文的语境。

如果只输入“上一个 token”，模型就像一个只有极短记忆的人，它知道当前的词，但不知道之前的逻辑。例如：

• 上文：“巴黎是法国的…”
• 当前输入：“的”
• 逻辑：模型需要看到“巴黎”、“是”、“法国”才能准确预测出“首都”。

因此，在自回归生成（Autoregressive Generation）的定义中，每一步生成的概率公式如下：

P ( x t ∣ x 1 , x 2 , . . . , x t − 1 ) P(x_t | x_1, x_2, ..., x_{t-1})P(xt​∣x1​,x2​,...,xt−1​)

这代表第t tt个词的产生，取决于前面所有词的序列。

2. 物理层面：KV Cache（键值缓存）技术

虽然逻辑上需要全量信息，但如果每次都把成千上万个词重新通过模型计算一遍，效率会极其低下（计算量呈平方级增长）。

为了解决这个问题，现代 LLM 使用了KV Cache技术：

• 只“计算”最新 Token：实际上，每一轮推理中，只有最新生成的那个 token 会经过完整的神经网络计算。
• 缓存旧信息：之前所有 token 的计算结果（具体为 Attention 机制中的 Key 和 Value 向量）已经存在显存里了。
• 拼接与注意力：模型通过将“新生成的 KV”与“缓存的旧 KV”进行拼接，让新 token 能够与历史信息产生“注意力（Attention）”连接，从而得出预测结果。