El caso. Una empresa de turismo resume las reseñas de sus hoteles. Al generar cada palabra del resumen, la atención decide a qué palabras del original mirar más. Aquí, cinco palabras con su relevancia e_i.

Lee así. τ→0 afila la atención (todo el peso a la palabra de mayor score); τ alta la reparte. Los cinco e_i son la reseña: sube uno y verás que solo importa la diferencia entre scores.

La idea. La atención es una media ponderada de las palabras del texto. Los pesos α_i salen de un softmax sobre scores de relevancia: la query pregunta y cada palabra responde con más o menos peso. El grosor de cada flecha es su α_i.

Negocio. Al resumir una reseña, el modelo se fija en «limpio» o «ruidoso» y no en las palabras de relleno. Eso da traducciones y resúmenes fieles: el cliente lee en segundos lo que de verdad opinan del hotel.

Y ahora. Esta misma operación, repetida en paralelo y apilada en capas, es el corazón del Transformer y de todos los grandes modelos de lenguaje. El principio no cambia: puntúa, normaliza con softmax, promedia.