同样是五天的气温，把周一和周五对调，数值没有变，故事却变了。Gurjinder Kaur 的这份视觉指南解释了一个容易忽略的问题：Transformer——以注意力机制为核心的序列模型——能同时比较许多时间点，却不会天然知道哪个在前、哪个在后。对时间序列来说，顺序和时间间隔本就是数据的一部分，因此这不是一个可有可无的细节。
文章从五个工作日的气温讲起。每个温度先经由训练得到的线性映射，变成模型能处理的多维向量；但这个向量只表示“观测到了什么”，没有说明“它发生在何时”。随后，自注意力（让每个时间点按内容相关性汇总其他时间点的信息）可以找出哪些观测彼此相关，却仍无法仅凭内容辨认先后。位置编码由此登场：它给观测附上序列位置、时间戳或相对间隔等信号，让模型区分昨天与上月，并学习趋势和周期。值得保留的边界是，位置编码提供时间坐标，却不等于模型因此自动掌握所有趋势与周期。