Conformer 是那个悄悄接管端到端 ASR 的模型，其配方——在每个 Transformer 块上添加卷积模块——被证明是那些看似简单但行之有效的想法之一。Transformer 擅长全局上下文；CNN 擅长局部声学模式；Conformer 无需在两者之间选择，直接提供最先进的 LibriSpeech WER，达到 2.1%/4.3%，且无需语言模型。

这份关于 Gulati 等人论文的长篇评论逐块解开完整的架构：macaron 前馈夹层、卷积模块的门控和深度卷积，以及多头自注意力如何与相对位置编码相互作用。它还深入探讨了参数效率的故事，包括仅有 1000 万参数的小型模型仍能实现 2.7%/6.3% WER。如果 Conformer 在你的生产栈中，或者你正在针对 Whisper 风格的纯 Transformer 基线进行评估，这次深度讲解会逐一介绍每一个值得理解的设计决策。