把大模型从演示变成能值班的系统时，原论文实验结果几乎总会先露出工程缺口。下面按可执行的顺序来拆：先讲它解决什么、卡在哪，再讲选型时看哪些数字，最后落到智能体和网关该怎么接。本文面向要上线的工程师，不写空泛趋势。

一、先看 headline numbers：论文到底赢在哪里

一篇模型论文真正改变领域，不是因为它画了一张新结构图，而是因为它在大家共同承认的任务上赢了。《Attention Is All You Need》也是一样。今天我们回头看它，最容易记住的是“attention 取代 RNN”，但 2017 年真正让整个社区很难再把这条路线当成旁门尝试的，是一组很具体的结果：

这些数字的冲击力，在今天这个千卡训练、万亿 token 的时代很容易被低估。它们当时意味着：一个完全不依赖 recurrence 和 convolution 的新结构，不只是“也能跑”，而是 在质量和训练效率上同时压过了主流路线 。

二、质量提升不是唯一故事，训练成本才是更狠的一刀

这里先加一个今天回看原论文时必须带着的括号：文中这些 BLEU 数字沿用的是 2017 年论文自己的评测口径，适合和同一时期文献横向比较；它们不能和后来常见的 SacreBLEU 复现实验数字直接硬比。

这一篇就专门看这组实验结果本身。不是再讲结构，也不是再讲训练配方，而是回答：这些数字为什么足以让整个领域改道。

三、base 到 big：原论文已经把“规模有效”这件事露出来了

为了把数字放回语境，先看一张带对照的结果表。前 3 行是原论文 Table 2 里能直接对齐的公开强基线，最后 1 行是同论文内部的 base/big 对照；目的不是复刻完整榜单，而是看清它到底赢在什么地方：

摘要里还有一句经常被单独引用：在 En-De 上，它比当时已有最好结果（包括 ensemble）还高出 2 BLEU 以上。上表没有把整个文献榜单都摊开，而是只保留最能说明“路线替代”这件事的几个锚点。

四、注意力可视化到底说明了什么

因为这是当时机器翻译最有公信力的一组 benchmark。WMT 的对比链条很长，前几年最强的系统——GNMT、ConvS2S、ByteNet——都在这里打过榜。换句话说，Transformer 不是在一个没人关心的小任务上“刷出来”，而是在一个大家都认可的硬仗里赢的。

BLEU 今天已经不是唯一指标，甚至有不少缺点；但在 2017 年，它就是机器翻译论文最通用的公共货币。你想证明自己更好，先把 BLEU 打上去再说。只是这里也要记住：同样叫 BLEU，不同论文的分词、去标点和评测脚本口径可能并不完全一致，所以最稳妥的读法始终是“先和同一时代、同一口径的系统比”。

五、复杂度表和实验结果合起来，才是完整胜利

今天看 28.4 这个数字本身，不算夸张；问题是它打败的是 一整代“RNN/CNN 做序列建模”的工程共识 。

Transformer 用实验结果直接把这个判断推翻了： attention 不只是能辅助，它本身就能成为主干，而且还能更快。

六、这些结果够不够支持路线替代

如果论文只是 BLEU 高一点点，社区未必会立刻改道。真正让人难以忽视的，是它同时把训练成本也打下来了。

2017 年的 8 张 P100 不是玩具配置，但也远不到今天那种超大规模训练的夸张程度。原论文给出的训练时长是：

落地时建议先做的 5 件事

1. 用自己的 20 条真实请求测 TTFT / TPOT / 失败原因，不要只看公开榜。
2. 先写显存和 KV 缓存账，再决定卡数、量化和并发上限。
3. 网关层把鉴权、配额、审计和模型路由收口，应用里不要各接各的 Key。
4. 工具调用默认拒绝，按白名单放开，高风险动作必须人审。
5. 模型升级准备回滚：旧权重、旧 Prompt、旧评测集要能一键切回。

和智能体产品怎么接

对龙虾PRO这类要把 OpenClaw 落到中国业务场景的平台来说，原论文实验结果决定的是延迟能不能进对话、成本能不能规模化、出了问题能不能追溯。技能市场、数字员工和网关都应该吃同一套观测与权限，而不是文章里的概念演示。

本文侧重智能体生命周期与技能边界。若你要动手验证，优先用 Playground 做小任务压测；权限与托管再单独规划，避免「先装一堆再治理」。 相关：Playground · 创建智能体 · 学习中心