更改

<math>x_t</math>：当前时间步的输入向量；

<math>x_t</math>：当前时间步的输入向量；

<math>x_{t+1}</math>：下一时间步的输出向量；

<math>x_{t+1}</math>：下一时间步的输出向量；

<math>R, K, V</math>：分别表示 RWKV 中的 Receptance（门控）、Key、Value 的线性投影矩阵；

<math>R, K, V</math>：分别表示 RWKV 中的 Receptance（门控）、Key、Value 的线性投影矩阵；

<math>W</math>：时间衰减常数，是一个可学习参数，用于模拟历史信息的指数衰减；

<math>W</math>：时间衰减常数，是一个可学习参数，用于模拟历史信息的指数衰减；

<math>a_t, b_t</math>：前一时刻累积的加权值与归一化因子，用于递归地保留历史状态；

<math>a_t, b_t</math>：前一时刻累积的加权值与归一化因子，用于递归地保留历史状态；

<math>\sigma(R x_t)</math>：Receptance 门控函数，控制新信息是否被写入输出，功能类似于 LSTM 中的门控机制；

<math>\sigma(R x_t)</math>：Receptance 门控函数，控制新信息是否被写入输出，功能类似于 LSTM 中的门控机制；

分数部分（分子/分母）：模拟了注意力加权求和的效果，但通过递推方式实现，而非传统 Transformer 中的全局自注意力机制。

分数部分（分子/分母）：模拟了注意力加权求和的效果，但通过递推方式实现，而非传统 Transformer 中的全局自注意力机制。