LEE · EXPLORA · EXPLICA

Sumar vectores para ubicar un token

De dos números conocidos a cuatro coordenadas de un token.

¿Qué vas a comprender?

Conocimientos mínimos

Una lista con orden

Un vector puede ser una lista ordenada como [1, −1]. El primer número es la coordenada 1 y el segundo la coordenada 2. Si intercambias su orden, cambias el vector. Para sumar dos vectores del mismo largo, suma primera con primera, segunda con segunda, y así sucesivamente. La flecha del laboratorio sólo ayuda a ver el caso de dos coordenadas.

La regla de suma

[a1,a2]+[b1,b2]=[a1+b1,  a2+b2][a_1,a_2]+[b_1,b_2]=[a_1+b_1,\;a_2+b_2]

Se suman las primeras coordenadas entre sí y las segundas entre sí. Los vectores deben tener el mismo número de coordenadas.

El signo no se pierde

En la segunda coordenada del ejemplo inicial aparece −1 + 0.3. Desde −1 avanzas tres décimas hacia cero y llegas a −0.7. Obtener −1.3 significaría haber restado 0.3. Puedes seguir el desplazamiento en la flecha y comprobarlo con números.

Dos tipos de posición

En Token Quest, «moon» tiene un ID de token. Ese ID busca un embedding: su vector base en una tabla. La posición 2 de la secuencia es el tercer token, porque se empieza a contar desde 0. Ese 2 indica qué vector de posición se suma al vector base en este juego. No significa «segunda coordenada». Las coordenadas son los números que viven dentro de cada vector.

El reto de cuatro coordenadas, aún sin resolver

[1,0,−1,2]+[0.2,−0.1,0.3,0.5]=[  ?,  ?,  ?,  ?  ][1,0,-1,2]+[0.2,-0.1,0.3,0.5]=[\;?,\;?,\;?,\;?\;]

Suma el vector base [1, 0, menos 1, 2] y el vector de posición [0.2, menos 0.1, 0.3, 0.5]. Calcula cada una de las cuatro coordenadas.

Cuatro coordenadas, la misma regla

La suma de cuatro coordenadas sigue exactamente la misma regla. No necesitas imaginar una flecha en un espacio físico de cuatro dimensiones. Los ejes de un embedding aprendido no tienen nombres simples como «brillo» o «tristeza». Aquí elegimos números de juguete a mano para estudiar la operación.

El alcance de este ejemplo

En el juego, el ID selecciona un embedding base y se le suma un vector de posición elegido para la actividad. En transformers reales los embeddings se aprenden; la información de posición puede venir de codificaciones fijas, posiciones aprendidas u otros mecanismos. El artículo original de 2017 describe tanto codificaciones sinusoidales fijas como posiciones aprendidas.

Un ejemplo para pensar

En [1, −1] + [0.5, 0.3], ¿cuánto vale la segunda coordenada del resultado? Escribe sólo ese número.

Comparar con una solución razonada

La segunda coordenada es −1 + 0.3 = −0.7. La primera sería 1 + 0.5 = 1.5; el vector completo es [1.5, −0.7].

Intenta explicarlo antes de comparar. Si usas este ejemplo como ayuda, tenlo en cuenta en tu autoevaluación; esta página no califica tu trabajo.

Prueba una situación nueva

La actividad conserva tu intento, ofrece pistas de una en una y permite comparar una solución cuando lo decidas.

Procedencia y revisión

Lección, cifras de práctica y diagrama vectorial originales creados para Mate–Ciencias como puente a la misión 02 de Token Quest. No incluye materiales privados del curso.

Versión 1.0.0. Fecha de revisión registrada: ; no es la fecha de reconstrucción del sitio.

Comprobaciones registradas

La revisión docente sigue pendiente. Las comprobaciones técnicas y la revisión asistida no sustituyen una sesión con una persona docente.

Fuentes de consulta: Contenido original de Mate–Ciencias; Attention Is All You Need · Vaswani et al. (2017). Se enlazan como referencia; los materiales privados no forman parte de esta página.

Para relacionar ideas