第一个 token 为什么吸走绝大部分注意力，这一现象的机制、代价，以及为何消除它要留到 Gated Attention
在权益中心获取代码上一章我们看到 GQA 把 KV cache 压到 MHA 的 1/4，代价是部分任务上略有质量下降。但 GQA 改的是 KV head 的数量，没有动 attention 本身的数学结构：还是 softmax，还是 causal mask，还是 。
这是一篇付费内容，请登录您的账户以访问完整内容。
如果换一个角度，绕过 KV cache，只盯着 attention 权重看，会发现一个跟 head 数、跟 group 数都无关的现象：推理时，绝大部分注意力都流向第一个 token。
这就是 Attention Sink。本章我们在 Qwen3-0.6B 上把它从头看到尾；而从机制上看，只要 attention 还是 softmax + causal 的组合，它就会出现。
Each row is a query, each column a key; under the causal mask a query only sees itself and the keys to its left (dashed cells are masked out). Notice column 0: almost every query puts most of its attention weight there, forming a vertical bright stripe across all queries. That stripe is the attention sink.
本章回答三个问题：
CookLLM文档