同一组表示，怎样变成可执行的运算？
本页问题
一批已知位置的表示可排成矩阵 X，共用投影 W 形成 XW。位置并行是计算的组织方式，attention、MLP 和后续层仍有先后依赖。图像与文字可共享这类算子接口；可读取的位置则由各自任务规定。
RC-H1/b0 · 从可见位置接着走
继续沿这批 MAE 可见图块看。每个已知位置经过前面的处理，得到一行表示；把这些行排起来，就是矩阵 X。W 是接下来共享使用的投影参数。图里的色块表示坐标位置，不是这台模型的实测激活值。我们先保持输入与参数身份，看看输出怎样产生。
进一步解释
此处沿用 RG32 的 MAE 校车遮挡图与可见 patch 身份。X 为行向量排成的矩阵；不是把先前 Goodfire 的单元当作 MAE 实测结果。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿可见 patch 到 X 的行标记，指固定的 W；先不指尚未出现的输出。
本态来源与条件
教学构造与机制示意；非模型实测
RC-H1/b1 · 同一 W 作用于多行
同一个 W 分别作用于 X 的许多行，结果排成输出矩阵 XW。每行接受相同的变换，因而能组织成硬件擅长的矩阵运算；增加输入位置会增加工作，却不要求为每行另学一套 W。图像和已知文字位置都可以这样排成多行，但接下来允许各行读取谁，还由任务决定。
进一步解释
设 X 为 T×d、W 为 d×h，则 XW 为 T×h。T 改变行数，W 的形状可以不变。这里只打开共享线性投影，不把完整 Transformer 层简化为一个矩阵乘法。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿多行 X、共享 W 到输出矩阵；最后指已知文本的小接口，保持 MAE 身份标记。
本态来源与条件
教学构造与机制示意；非模型实测
RC-H1/b2 · 算子与层的先后依赖
下方是运算依赖：attention 先产生当前表示，MLP 才能接着变换，再送到下一层。能一起做的是依赖已经满足的工作，不是让所有层同时完成。为看清文字预测的读取边界，下一页借上一讲的半句英文，只跟踪 gave 这一行，然后再回到 A/B 记录。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿 attention → MLP → 下一层指读，再回指已知文本接口。
本态来源与条件
教学构造与机制示意；非模型实测
接下来
已知位置可以一起算，怎样又不让预测偷看答案？
补充推导、边界与来源
进一步阅读
条件与来源
以下从计算对象、条件与原始证据继续展开。
原 N20：同一组已知输入，可以一起做哪些运算？
同一投影作用于已知输入的许多行，可实现为大矩阵乘法。GPU 矩阵计算单元及 CUDA、Triton 等实现层负责组织具体执行；它们不改变数据依赖。图像 encoder 与因果文本模型可共用部分矩阵算子，但可见性规则不同。算子内的位置并行不能取消 attention、MLP 与层之间的先后依赖。
来源：Transformer 矩阵计算；L5 T34。
相关的完整阅读材料保留原有公式、引用和原始图解。
本页证据与条件
教学构造与机制示意；非模型实测