前置知识：第05篇的 Attention 机制 / 第06篇的 Transformer 架构引言：为什么 Attention 不能直接用？仔细想一下标准注意力的计算过程：S=Q @ K^T# [n, d] × [d, n] → [n, n] ← O(n²) 显存！P=softmax(S)# [n, n] ← O(n²) 显存！O=P @ V# [n, n] × [n, d] → [n, d]中间矩阵 S 和 P 的大小是