attend op• 데이터 종류: tokens × tokens × tokens → tokens
• 호출: import fullseye as fs; fs.ledger.attention_linear(query, key, value, causal: 'bool' = False) -> 'np.ndarray'(구현을 직접 호출하려면 import llmcore; llmcore.attention_linear(query, key, value, causal: 'bool' = False) -> 'np.ndarray', 원장에서 가져오려면 opsllmcore.get("attention_linear"))
> 이 연산자의 설명은 아직 번역이 없습니다. 원문을 그대로 싣습니다.
softmax を外した注意 → tokens。(QKᵀ)V == Q(KᵀV) —— 結合則そのもの。
Katharopoulos ら 2020。softmax を外すと行列積の結合則が使え、(T, T) を作らずに
(d, dv) の状態だけで足りる。同じ数の別の括り方なので答えは一致し(相対差 7.1e-16)、
計算量は O(T²d) から O(Td²) に移る —— 交差点は T == d(実測: T=d=64 で比 0.9、
T=1024 で 14.6 倍)。★T を 2048 にしても比は 14.4 で頭打ちになる。式が言う 32 倍には
届かない —— 二次の側が帯域律速に入るから。
Args:
query: (T, d) float。
key: (S, d) float。
value: (S, dv) float。`causal=True` では S == T。
causal: True なら「自分より前だけ」を累積状態で足す(逐次 1 回で線形時間)。
Returns:
tokens (T, dv) float: softmax を通していないので行和 1 の凸結合ではない。
`attention_softmax` の代わりではなく、別の注意。
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• poc_attention_identities — py -3.11 examples/poc_attention_identities.py
tokens 를 입력으로 받는 것)rms_norm · rope_rotate · attention_scores · attention_apply · attention_softmax · attention_tiled · attention_grouped · kv_cache_decode
attend)attention_softmax · attention_tiled · attention_grouped
*Provenance: llmcore.py — LLMCORE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.