位置编码的发展历程:从绝对、相对到多模态旋转编码
TL;DR: 本文梳理位置编码的主要演进路线:从可学习绝对位置编码(BERT、GPT)和正弦绝对编码(Transformer)的限制,到相对位置编码(T5、Transformer-XL)的改进,再到旋转位置编码(RoPE)的突破性创新。RoPE 的特点是「以绝对之形,行相对之实」:对每个位置做绝对旋转,但 Attention 内积只依赖相对距离。后续的 2D-RoPE 和 M-RoPE 把这个机制扩展到视觉和多模态场景,用于现代视觉语言模型(如 Qwen2-VL、Qwen3-VL)中的二维/三维时空位置建模。贯穿全文的问题是:模型到底如何表示「距离」,以及这种表示如何同时兼顾外推、KV Cache 和多模态坐标。