• 这是NVIDIA的一篇论文，LLM通常使用的是GPT的decoder范式作为一个生成模型，文章探讨如何利用这样的decoder生成模型来实现BERT这样的encoder的功能，即提取有效的embedding。
• 现有的方法提取embedding的方式无非是 1 mean pooling； 2 the last token embedding。前者是encoder-like的model用得多，后者是decoder-like的model用得多。然而这两者都有问题。
• 文章提出的方法是，decoder模型正常是会通过循环的方式生成一段序列嘛，最后一个time step的一层的Q就是$l\times d$的，$l$个token每个$d$维，然后我预定义一个latent array，是$r\times d$的，它作为$r$个token的K和V，用来和Q算attention（实际上做的是多头注意力，这里简单起见按单头注意力讲解），得到$O$是$l\times d$的，再接MLP GELU MLP，再过一个mean pooling，得到最终的embedding。
• 文章一边说train from scratch，又说用LoRA，就很奇怪。
• 另外呢，文章把mask去掉了，之前的GPT，每个token做注意力只能看到前面的token，但文章发现直接全都看得到在提取embedding方面效果更好：
  
• 文章试验了bidirect attention/causal attention的对比，EOS Mean latent-attention self-attention的对比：