图与动画的来源及范围

核验日期：2026-10-09。每项资源说明其教学作用、数据身份与采用方式；具体图旁也提供简短署名。

已引入的网络图

Distill：按注意力权重读取向量

• 作者：Chris Olah、Shan Carter。
• 文章：Attention and Augmented Recurrent Neural Networks，2016。
• 原图：rnn_read.svg。本地副本：figures/distill-attention-read.svg。
• 许可：采用文章页面标注的 CC BY 2.0，原图未修改。文章的署名与复用说明、Distill FAQ。
• 教学作用：观察多个向量怎样按权重汇总。它来自神经图灵机的读取解释，既不是 Transformer 的完整架构图，也不是本书使用某个模型测得的注意力。

这项记录针对原站图示的复用；不将该文章的许可扩展到其引用的其他论文图，也不自动沿用其交互代码。

网络交互与图解入口

资源	适合看什么	本次采用方式与范围
Transformer Explainer	用自己的输入观察 GPT-2 的组件与候选分布	延伸交互入口，英文、需加载模型；作者仓库的软件为 MIT，整套代码暂未引入
3Blue1Brown：Transformers, the tech behind LLMs	从全景进入表示、注意力与输出	官方阅读入口；样章引用解释思路，未转载视频、截图或代码
Jay Alammar：The Illustrated Transformer	组件与局部计算怎样对应整体结构	官方阅读入口；讲原始编码器—解码器，阅读时注意与样章所讲生成模型的区别，未转载原图

本书自绘图与动画

文件	身份与用途	简化与边界
figures/system-map.svg	原创系统关系图	模型内部计算合并为一块，工具调用的格式和多轮执行未展开
figures/generation-static.svg	原创生成阶段静态图，也是动画的无脚本替代	只示意切分、表示、处理和分布；不对应特定分词器和模型
figures/evidence-static.svg	原创证据流程静态图，也是动画的无脚本替代	展示工作流的核验位置；真实性仍需任务相关的检查
GenerationWalkthrough.vue	原创 HTML/SVG 分步动画	切分、向量、权重和概率均为预设示意；候选只是虚构词表的一部分，没有运行 LLM
EvidenceWalkthrough.vue	原创 HTML/SVG 资料核查动画	资料、草稿和检查结果均为虚构教学例子；脚本不是通用的事实核验器

动画参考专业资料中的机制说明，以中文读者的观察任务独立编排，没有复制第三方动画实现。正文列出事实来源，图旁说明示意性质。

后续资源选择

后续每个主题先寻找合适的作者原图与交互，再决定本地复用、外部链接、改编或自绘。记录作者、原链接、许可、日期、修改、数据来源、适用范围和使用章节；优先选择能帮助解释一个具体问题、并能在移动端阅读的素材。