https://github.com/rasbt/LLMs-from-scratch/blob/main/ch05/07_gpt_to_llama/converting-gpt-to-llama2.ipynb 《Build a Large Language Model From Scratch》 book by Sebastian Raschka
今天看到Sebastian Raschka 绘制的GPT-2 XL 1.5B、Llama 2 7B以及Llama 3 8B的架构对比图。
GPT-2 XL 1.5B:
Vocabulary大小：50,257 使用了绝对位置嵌入（Absolute Positional Embeddings），最大输入长度为1600个token。 层数：48层，包含LayerNorm、Masked Multi-head Attention、Feed Forward等模块。 注意力头：25个多头注意力（heads）。 采用LayerNorm来正则化。 采用GELU
Llama 2 7B:
Vocabulary大小：32,000 采用了RoPE位置嵌入（Rotary Positional Embeddings），支持最大4096个token的输入长度。 层数：32层，与GPT-2相比少了16层。 注意力头：32个， 使用的是RMSNorm来代替LayerNorm，从而提升训练效率和收敛性。 激活函数：使用了SILU（Sigmoid-Weighted Linear Unit）代替GPT-2中的GELU。 去掉了一些Dropout层
Llama 3 8B:
Vocabulary大小：128,000，显著增大。 继续使用了RoPE位置嵌入，但支持更长的输入长度：8192个token。 层数：32层，与Llama 2相同， 引入了Grouped-Query Attention，这是一种改进的注意力机制，优化了多头注意力的处理。 使用RMSNorm进行正则化。
这里写的llama2和llama3使用SILU，Paper介绍使用了SwiGLU， 二者还是有一定差别
这本书质量很高，推荐