始终无法理解模型的反向传播 transformer 训练过程中是生成一个 token 然后算损失反向传播还是生成一连串 token 在反向传播呢?如果是多专家的话还要存储用的是哪个专家在反向传播时要用到它所以感觉还有很多令人困惑的地方