想到一个有意思的问题，可以拿来当面试题。

对于 Qwen、GPT 这种 decoder only 的生成模型：

• 问题 Q 通过自回归多次前传生成 a1 a2 a3，此时生成完之后，QA 整体的 hidden state 是 Q 经过一次前传得到的 hidden state 和预测 a1 a2 a3 过程中的 hidden state 不断拼接，记为 H1；
• “Q a1 a2 a3” 作为文本序列直接拼起来一次性送入 transformer 获得的 hidden state，记为 H2；

问题是：H1 和 H2 这两个 hidden state 一样吗？

结论：完全一样

这两种方式得到的 hidden state 是数学上严格等价的。

为什么一样？

核心原因：Causal Mask（因果掩码）

Decoder-only 模型的自注意力机制使用 causal mask，确保每个 token 只能看到自己和之前的 token，看不到未来的 token。

方式一：自回归逐步生成

步骤1: 输入 [Q]           → 得到 h_Q,  预测 a1
步骤2: 输入 [Q, a1]       → 得到 h_Q, h_a1,  预测 a2
步骤3: 输入 [Q, a1, a2]   → 得到 h_Q, h_a1, h_a2,  预测 a3
步骤4: 输入 [Q, a1, a2, a3] → 得到 h_Q, h_a1, h_a2, h_a3

在每一步中，由于 causal mask 的存在：

• h_Q 只依赖 Q 本身
• h_a1 只依赖 Q 和 a1
• h_a2 只依赖 Q、a1 和 a2
• h_a3 只依赖 Q、a1、a2 和 a3

方式二：一次性送入

输入 [Q, a1, a2, a3] → 一次前向传播 → 得到 h_Q, h_a1, h_a2, h_a3

由于 causal mask：

• 计算 h_Q 时，只 attend 到 Q → 和方式一完全一致
• 计算 h_a1 时，只 attend 到 Q 和 a1 → 和方式一完全一致
• 计算 h_a2 时，只 attend 到 Q、a1 和 a2 → 和方式一完全一致
• 计算 h_a3 时，只 attend 到 Q、a1、a2 和 a3 → 和方式一完全一致

直观理解

Causal Mask 矩阵（1 表示可以 attend）:

         Q   a1  a2  a3
Q    [   1    0   0   0  ]
a1   [   1    1   0   0  ]
a2   [   1    1   1   0  ]
a3   [   1    1   1   1  ]

无论你是一次性算还是分步算，每个位置"能看到的信息"完全相同，因此计算结果完全相同。

这正是 KV Cache 的理论基础

实际推理中使用的 KV Cache 优化正是利用了这个等价性：

自回归生成时：
步骤1: 计算 Q 的 KV，缓存起来
步骤2: 只计算 a1 的 Q/K/V，复用 Q 的 KV cache → 得到和完整计算一样的结果
步骤3: 只计算 a2 的 Q/K/V，复用之前的 KV cache → 同样等价
...

如果两种方式的 hidden state 不一样，KV Cache 就不能用了。

唯一可能不一样的情况

在极端情况下，由于浮点数运算精度的差异（加法顺序不同可能导致微小的舍入误差），两者可能存在 $10^{-6}$ 到 $10^{-7}$ 量级的数值差异，但这是数值计算层面的，不是数学层面的，在逻辑上完全等价。