下列属于Transformer架构优势的是（ ）A. 仅能处理短文本B. 解决循环神经网络的梯度问题C. 无需训练数据D. 参数量固定不变

考查要点：本题主要考查对Transformer架构核心优势的理解，需区分其与循环神经网络（RNN）的关键差异。

解题思路：

1. 明确选项关键点：需判断选项中哪些描述符合Transformer的实际优势。
2. 对比RNN的局限性：RNN因序列逐次处理方式存在梯度消失/爆炸问题，而Transformer通过自注意力机制实现并行计算，有效规避此类问题。
3. 排除干扰项：注意排除与模型基本需求（如训练数据）或不合理假设（如固定参数量）相关的错误选项。

破题关键：

• Transformer的核心优势在于并行处理和自注意力机制，直接关联到对RNN梯度问题的解决。

选项分析

A. 仅能处理短文本

• 错误。Transformer通过自注意力机制可高效处理长文本，无需像RNN那样逐词依赖，因此能更好地处理长序列。

B. 解决循环神经网络的梯度问题

• 正确。RNN在长序列中易出现梯度消失/爆炸，而Transformer通过并行计算和自注意力机制，减少了此类问题的发生。

C. 无需训练数据

• 错误。所有深度学习模型均需训练数据，Transformer也不例外。

D. 参数量固定不变

• 错误。模型参数量由架构设计决定（如层数、注意力头数），训练过程中参数会更新。