固定的是 W，改变的是这次进入计算的 X

先看上方固定参数框，同一组投影矩阵没有更新。下面两行是刚才的两份完整提示：第一行没有示例，形成当前表示 X₀；第二行在 cheese 问题前加了示例，输入位置和内容都不同，形成 X₁。这里的 X 表示当前层接收的向量，而不是原始文字编号。

把同一个W乘在不同的X上，结果当然可以变化。这里写K等于X乘WK、V等于X乘WV，是在某一层把输入表示投影成读取接口；WK和WV可以保持不动，本次K和V仍然会改变。

再看当前要生成法语的那个位置。它的查询只能读取已经给出的合法前缀，包括任务说明、示例和当前英文。读回的内容还要经过后续计算，才形成词表分布。示例不是被剪贴到某个神秘的临时数据库里就自动完成任务；它作为输入的一部分，参与了模型这次完整的前向计算。后续层的状态也会受到影响。

因此“没有更新参数”绝不等于“模型内部什么也没变”。我们冻结的是训练所得的规则，不是这次运算产生的中间状态。把任务信息放进当前上下文后，模型可以表现出对该任务的适应，这就是这里讨论的上下文学习。机制图告诉我们变化从哪里进入，但它没有保证变化总会有益。要回答示例有没有实际帮助，仍然要离开这个单词演示，去看许多完整任务上的结果。