15.传统的RNN模型并行性要优于应用了注意力机制的transformer结构A. 正确B. 错误

考查要点：本题主要考查对传统RNN模型与Transformer模型在并行计算能力上的理解。

核心思路：

• RNN模型的计算依赖于时间步的顺序，必须串行处理，导致并行性较差。
• Transformer模型通过注意力机制实现了位置间的并行计算，大幅提升了并行效率。

破题关键：
明确两种模型的计算特性：RNN的序列依赖性限制了并行，而Transformer的自注意力机制突破了这一限制。

传统RNN模型的局限性：

1. 串行计算：每个时间步的输出依赖于前一步的隐状态（如$h_t = f(x_t, h_{t-1})$），无法同时处理所有时间步。
2. 长序列效率低：需逐层计算，GPU并行资源利用率低。

Transformer模型的优势：

1. 自注意力机制：通过计算序列中所有位置的关联关系，无需按顺序处理，可并行计算所有位置的输出。
2. 全连接结构：编码器-解码器结构中，各层的前向传播可充分利用多核并行加速。

结论：Transformer的并行性显著优于传统RNN，因此题目说法错误。