文章目录论文核心推导过程详解一、推导的问题定义（核心约束）二、二维情形下的 RoPE 严格推导（3.4.1 节）2.1 二维向量的复数表示2.2 极坐标分解：模长 + 辐角2.3 模长部分：位置不改变向量范数2.4 辐角部分：位置带来的旋转角度2.5 相对位置约束：ϕ ( m ) \phi(m)ϕ(m)是线性函数2.6 二维 RoPE 的最终形式2.7 验证核心约束三、高维推广：d 维向量的 RoPE3.1 分块对角旋转矩阵四、高效实现推导（3.4.2 节）4.1 二维旋转的分量展开4.2 向量化实现五、长程衰减性质推导（3.4.3 节）5.1 内积的复数求和形式5.2 阿贝尔变换（分部求和）放缩5.3 衰减结论推导逻辑总览论文核心推导过程详解RoPE（Rotary Position Embedding，旋转位置编码）的推导核心目标是：找到一种位置编码方式，让自注意力中 Query 和 Key 的内积仅依赖 token 的内容与相对位置，不依赖绝对位置。以下按推导逻辑逐层拆解。一、推导的问题定义（核心约束）自注意力中，位置 m 的 Query、位置 n 的 Key 定义为：q m = f q ( x m , m ) , k n = f k ( x n , n ) q_m = f_q(x_m, m),\quad k_n = f_k(x_n, n)q
