大模型token的漫游之旅：Word Embedding | 兼看Qwen的参数构成

上回咱们聊了token是什么，以及词表是如何构建、句子是怎么被切分的。但有个关键问题悬而未决：计算机究竟是如何“理解”这些token的？它们又是怎样参与到复杂的数学计算中去的？

今天，我们就来把这个问题讲透。本文会围绕三块内容展开：

传统词编码方法

要让计算机处理文本，首先得把文字变成数字。这事儿听着简单，做起来却有不少门道。

One-Hot编码

最直白的方法莫过于One-Hot编码。想象一下，你的词表里有一万个词，那么每个词就被表示成一个一万维的向量。这个词在自己对应的位置上标为1，其他9999个位置全是0。

举个例子，假设我们从两句话里得到一个微型词表：

• 我 爱 人工智能
• 我 爱 中国

那么词表就是：[我， 爱， 人工智能， 中国]。句子“我 爱 中国”里的三个token，就可以用下面这个表来表示：

这种方法的优点很明显：

1. 维度爆炸
   ：词表有多大，向量就有多长。面对动辄数十万上百万的词表，计算和存储都是噩梦。

2. 极度稀疏
   ：向量里几乎全是0，有效信息只有孤零零的一个1，效率极低。

3. 语义缺失
   ：它无法表达任何词义关系。比如，“中国”和“中华”在语义上很接近，但在One-Hot编码里，它们就是两个毫无关系的向量。

显然，对于需要理解复杂语义的大模型来说，One-Hot编码远远不够。

稠密向量编码

于是，更聪明的办法出现了：稠密向量编码，也叫词嵌入（Word Embedding）。

思路很简单：我们不再用超长的稀疏向量，而是为每个词分配一个固定长度的、稠密的短向量，比如128维或256维。这个向量里的每个数字都不是0或1，而是一个连续的实数，例如“(0.21, -0.15, 0.64, 0.36)”。

这样一来，不管词表多大，每个词的表示维度是固定的，极大地压缩了空间。更重要的是，这些稠密向量不是随机给的，而是通过在海量文本上训练得到的。训练的目标是让语义相近的词（如“国王”和“王后”），其向量在空间中的距离也更近。

Word2Vec、GloVe等都是早期非常成功的词嵌入训练方法。它们带来的好处是革命性的：

1. 捕获语义
   ：能表达词与词之间的相似、类比等复杂关系。

2. 维度大幅降低
   ：从数万维降到数百维。

3. 连续性
   ：支持向量运算，比如经典的“国王 - 男人 + 女人 ≈ 王后”。

不过，它也有自己的局限：训练成本高、更新词表麻烦、向量的可解释性较差（很难说清某一维具体代表什么含义）。

大模型中的词编码方法

如今的大语言模型，本质上沿用了稠密向量编码的思想，但把它做成了模型内在的、可学习的一部分。

具体来说，模型初始化时，会创建一个巨大的“词嵌入矩阵”。这个矩阵的行数就是词表大小（比如15万），列数就是设定的向量维度（比如4096）。矩阵中的每一行，都对应词表里一个token的稠密向量表示。

在模型运行时，输入句子被切分成token后，每个token根据其在词表中的索引，去这个矩阵里“查表”，取出对应的行向量。这个稠密的数值向量，就是计算机真正用来“理解”和计算该token的表示。

接下来的故事就顺理成章了：这些向量经过模型中层层叠叠的神经网络（主要是Transformer模块）进行复杂的加法和乘法运算。最终，模型会输出一个向量，这个向量会与词嵌入矩阵中的每一行进行计算（比如点积），衡量相似度。相似度最高的那些行所对应的token，就会以较高概率被选为模型的输出。

而我们常说的调节生成效果的参数，如top_k、top_p，其实就是在这个选择概率的环节上施加约束和控制。

Qwen-7B的参数分析：词表

理论讲完了，咱们看个实例。这是Qwen-7B模型配置文件里关于词表的部分关键参数：

{
  "vocab_size": 151646,
  "hidden_size": 3584,
  ...
}

这里有两个关键数字：

• vocab_size: 151646：词表大小，约15.2万个token。
• hidden_size: 3584：隐藏层维度，在这里也即是每个token嵌入向量的维度。

我们来算一笔账：整个词嵌入矩阵的参数总量 = 151646 * 3584 ≈

要知道，Qwen-7B模型总参数才约70亿，光是这个词表就占用了超过5.4亿参数，占比接近8%！如果用FP16精度加载，光这个词嵌入矩阵就要吃掉超过1GB的显存。在大规模分布式训练中，如何高效地管理和优化这部分巨大的参数，本身就是一个非常关键的工程问题。

至此，我们从数字上理解了token是如何被表示的。但这只是万&里长征第一步。接下来，这些稠密的向量将走入大模型的核心——注意力机制（Attention），在那里上演真正精彩的交互与融合。我们将在下一篇文章中，揭开Attention的神秘面纱，看看它到底是什么，又包含了多少参数。