标准回答
Q 和 K 各自的角色
在 self-attention 里，每个输入 token 的表示会分别经过三个独立的线性投影，得到 Query、Key、Value 三组向量。可以用「检索」来类比：Q（Query）是「我在找什么」，是当前 token 主动发出的查询；K（Key）是「我能提供什么」，是每个 token 对外暴露的索引标签。两者点积衡量「查询」和「标签」的匹配程度。
计算流程
对位置 i，用它的 Q 去和所有位置 j 的 K 做点积，得到一组打分；这些分数经过缩放和 softmax，变成一组和为 1 的权重，表示 i 该从各个 j 那里「吸取」多少信息；最后用这组权重对各位置的 V（Value，真正承载内容的向量） 加权求和，得到 i 的输出。一句话：Q·K 决定「看谁、看多少」，V 决定「看到的具体内容」。
为什么 Q、K 要用不同的投影矩阵
关键在于让注意力具备非对称性。Q 和 K 来自两个不同的权重矩阵，被映射到不同的子空间，于是「i 看 j 的强度」和「j 看 i 的强度」可以完全不同。例如代词「它」需要强烈关注前文的名词，但那个名词未必要同等强烈地回看「它」。这种不对称恰恰是语言、依存关系所需要的，让模型能表达「单向、定向」的关注。
如果 Q=K 共享同一矩阵会怎样
若强行让 Q 和 K 用同一个投影矩阵，注意力分数矩阵就会变得近似对称（i 对 j 的分数和 j 对 i 的分数相等或高度相关），模型再也无法表达定向关注。更糟的是，每个 token 的 Q 和自己的 K 完全一致，自身点积（向量与自身的内积）天然偏大，导致 softmax 后对角线权重占优——人人都过度关注自己，跨位置的信息交互被压低。整体结果是注意力的表达自由度大幅下降，等于白白丢掉了一半的参数容量。
常见误区
⚠️ 常见踩坑
别把 Q 和 K「能不能相等」和「是不是同一个 token 的向量」搞混。self-attention 里 Q、K、V 都来自同一序列没错，但它们走的是三套独立投影；共享 Q/K 矩阵破坏的是注意力的非对称性，而不是「自注意力」这个性质本身。也不要以为对称注意力一定更稳——对角占优反而会抑制有效的跨位置交互。
追问
追问 1：那 V 为什么也要单独一个投影矩阵，不能直接用原始输入吗？
可以但不好。V 单独投影让「用来打分的表示」和「用来传递的内容」解耦：Q/K 负责决定权重，V 专注承载要被加权聚合的信息，两者优化目标不同。如果直接用原始输入当 V，内容空间就被锁死，模型无法把信息变换到更适合下游聚合的子空间，表达力受限。
追问 2：注意力矩阵的非对称性在因果（decoder）注意力里还重要吗？
仍然重要。因果掩码只是禁止看未来位置，把矩阵变成下三角，但在允许看的范围内，i 看不同历史 token 的强度依旧由 Q·K 决定，需要定向区分「重点回看哪个前文」。掩码限制的是「能看谁」，Q/K 的非对称投影决定的是「在能看的范围里看多重」，两者解决的是不同维度的问题。
🔗 相似问题
同一考点的不同问法，面试官可能换着问，一起刷更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习