交叉注意力（Cross-Attention）是 Transformer 中让一个序列在生成每个位置时，去“查看”另一个序列并提取相关信息的注意力机制。它的 Query（查询）来自当前正在生成的一方，Key（键）和 Value（值）来自被参考的一方，因此叫“交叉”。
注意力通用做法：拿 Q 和每个 K 算相似度，得到权重，再对 V 加权求和。自注意力（AI 词典：Self-Attention">Self-Attention）里 Q、K、V 同源；交叉注意力里 Q 与 K/V 不同源。最典型的是编码器-解码器 Transformer：解码器每生成一个词，Q 是当前解码状态，K/V 是编码器对源句子的表示。翻译“我爱猫”时，生成“love”的 Q 会重点匹配“爱”，生成“cats”的 Q 会重点匹配“猫”。
生活化比方：写报告时，自注意力像在已有草稿内部来回看，保证句子连贯；交叉注意力像每写一句就翻一次参考资料，按当前问题去索引里查最相关的几页。Q 是你的问题，K 是资料索引，V 是资料内容。问题变了，查到的内容也跟着变。
在文生图扩散模型里，图像潜变量（latent）的每个位置提供 Q，文本提示经文本编码器得到的 token 向量提供 K/V。于是“一只戴帽子的猫”中的“帽子”能影响图像中与帽子相关区域。语音识别、图文问答、多模态大模型也大量使用这种“让生成端看条件端”的层。许多架构会用多头交叉注意力（Multi-Head Cross-Attention），从不同子空间并行查不同角度的信息。
与相邻概念的区别：
| 机制 | Q 来源 | K/V 来源 | 典型用途 |
|---|---|---|---|
| 自注意力 | 同一序列 | 同一序列 | 建模上下文关系 |
| 因果自注意力 | 同一序列，只可看左侧 | 同一序列 | 自回归逐词生成 |
| 交叉注意力 | 生成端（解码器、图像 latent 等） | 条件端（编码器输出、文本提示等） | 条件控制、跨模态对齐 |
一个常被忽略的细节：交叉注意力通常不做“因果掩码”，因为被参考的条件输入完整可见，只需屏蔽 padding 等无效位置；解码器自注意力则必须防止看到未来 token。
对从业者，交叉注意力是给生成模型“加条件”的常用接口：把新模态编码成 K/V，接到生成端的交叉注意力层，就能让输出受文本、图像、音频等控制。对普通人，机器翻译、语音转文字、文生图、图文问答背后，都有这条“边生成边查资料”的通路；它弱了，模型容易忽略提示、指代错对象或图文不符。具体模型是否使用、插在哪几层，以官方文档或论文为准。