一句话定义
多头注意力（Multi-Head Attention）是把注意力计算拆成若干组并行进行、最后再拼合起来的机制：每一组叫一个「头」（head），各自在不同的子空间里学习关注不同的关系。
它到底在干什么
先回顾自注意力（AI 词典：Self-Attention">Self-Attention）：句子里每个词都会生成三个向量——Query（查询）、Key（键）、Value（值）。用 Q 和 K 的点积算出「谁该关注谁」的权重，再拿这些权重去加权求和 V，就得到这个词的新表示。
问题是：一套 Q/K/V 投影只能学出一种关注模式。而一句话里同时存在多种关系——指代、语法、语义相似、修饰……
多头注意力的做法很朴素：把这套流程复制 h 份。每一份都有自己独立的投影矩阵，把输入映射到一个更小的维度（如果模型维度是 512、8 个头，每个头就管 64 维），各自独立算一遍注意力，然后把所有头的输出拼接（concat）起来，再过一个线性层融合成最终结果。
打个比方：审一份合同，一个人从头到尾只能带一种关注习惯。多头注意力像一个评审小组——甲专门盯付款条款，乙专门盯交付时间，丙专门盯违约责任。三人各拿一支不同颜色的高亮笔，标完把纸叠在一起，才是一张完整的风险地图。看球赛也一样：有人盯球，有人盯防守阵型，有人盯裁判，拼起来才是比赛全貌。
有个常被忽略的细节：因为每个头的维度缩小到了 d_model / h，多头并不会带来 h 倍的计算开销，总量和单头全维度大致相当。
和相邻概念的区别
| 单头注意力 | 多头注意力 | |
|---|---|---|
| 关注模式 | 一种 | 多种，并行 |
| 单个头维度 | 完整维度 | 完整维度 ÷ 头数 |
| 计算量 | 一份大矩阵 | h 份小矩阵，总量相近 |
| 输出方式 | 直接加权求和 | 拼接后再线性映射 |
还要区分两件容易混淆的事：
- 多头注意力 vs 多查询/分组查询注意力（MQA / GQA）：后者是推理阶段让多个头共享 K、V 来省显存的工程优化，目的不是「多个视角」。
- 多头注意力 vs 卷积的多通道：多通道是不同卷积核扫同一份输入，多头是对同一份输入做多种投影，关注的是词与词之间的关系而非局部窗口。
对实际工作意味着什么
对从业者：头数是个超参，不是越多越好；实践中有些头被剪掉后效果几乎不变，说明存在冗余。可视化注意力图能帮你观察模型在关注什么，但别把某一条注意力线当成因果解释。
对职场使用者：模型能同时抓住指代、句法、语义这些不同线索，正是它能处理长句、多义词、跨句指代的原因之一。你写提示词时把关键约束分点、分行写清楚，本质上是给它更多「可被不同头分别捕获」的信号。具体实现细节各家框架略有差异，以官方文档为准。