우리는 Transformer 아키텍처의 내부 업데이트 메커니즘이 베이즈 결합 분포 조건 (Bayes joint-distribution condition)을 충족할 때, 정확한 베이즈 사후 추론 (Bayesian posterior inference)을 구현한다는 완전한 형식적 증명을 제시합니다. 측도론적 커널 프레임워크 (measure-theoretic kernel framework) 내에서, 우리는 핵심 베이즈 Transformer부터 명시적인 업데이트 커널을 가진 시맨틱 Transformer, QKV/attention/residual/MLP 파이프라인을 갖춘 전체 Transformer 블록, 그리고 최종적으로 다층 스택에 이르기까지 추상화의 계층을 정의하며, 각 단계에서 베이즈 결합 의미론 (Bayes joint semantics)이 업데이트 커널이 거의 모든 곳에서 사후 분포 (posterior)와 같음을 의미한다는 것을 증명합니다. 블록 수준의 아키텍처에 대해, 우리는 라돈-니코딤 미분 (Radon-Nikodym differentiation)을 통해 명시적인 베이즈 공식을 도출하고 그 정규화 (normalization)를 증명합니다. 추가적으로 우리는 softmax attention 메커니즘이 키 (keys)에 대해 유효한 확률 분포를 유도함을 증명하여, 추상적인 커널 프레임워크와 구체적인 attention 구현 사이의 가교를 구축합니다. 이 프레임워크는 마르코프 커널 (Markov kernel) 구조 이외의 아키텍처적 가정을 하지 않으며, Transformer 블록이 증명 가능하게 베이즈 방식이 되는 명시적인 조건을 드러냅니다. 본질적으로, 이 결합 분포 조건이 충족될 때, Transformer의 순전파 계산 (forward computation)은 엄격한 베이즈 사후 업데이트 (Bayesian posterior update)와 형식적으로 동일합니다.