待验证60% 置信事实精确时间
基于Transformer的LLM每次推理都是独立的前向传播计算，模型权重在推理阶段固定不变，所谓的上下文记忆本质上是将历史对话文本重新注入提示词
2
来源数
60%
置信度
长期有效
时效性
2026/7/14
首次发现
来源
相关事实
已验证LLM基于Transformer架构采用自回归（Autoregressive）方式生成文本，每次前向传播只预测一个token，然后将该token追加到输入序列再预测下一个token79% 相似待验证Transformer架构的推理机制决定了模型本身没有持久记忆能力，所有'记忆'完全依赖当前会话中提供的上下文79% 相似已验证大语言模型基于Transformer架构，每次推理都是独立的前向传播过程，不保留任何会话状态78% 相似待验证LLM在架构层面采用Transformer的注意力机制，每次推理在当前上下文窗口内独立完成，不存在跨会话的持久化状态78% 相似待验证LLM的预训练本质是在海量文本上进行下一词预测（Next Token Prediction），通过Transformer架构的注意力机制建立词语间语义关联78% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/508109API
curl https://kongchang.com/api/v1/knowledge/claims/508109MCP
get_claim(id=508109)