不同开源基座大模型对比及领域落地的选型考虑 Qwen LLaMa等

开源的时代

    作为一线的开源模型追逐者，时刻关注着业内开源的一些模型以及做些尝试，昨天直接有 阿里云 和 GLM大模型 (刚发现文章被删除了)都发布了即将有新开源模型待发布，引起了不少的关注和评论，接这个机会刚好捋一下已有的开源模型情况，在新模型到来之际梳理一下开源大模型的不同内容，为后面更多新模型的出现做一些准备。

1、初始化词表：构建初始词表，包含一个字节的所有表示(256)。2、构建频率统计：统计所有子词单元对（两个连续的子词）在文本中的出现频率。3、合并频率最高的子词对：选择出现频率最高的子词对，将它们合并成一个新的子词单元，并更新词汇表。4、重复合并步骤：不断重复步骤 2 和步骤 3，直到达到预定的词汇表大小、合并次数，或者直到不再有有意义的合并。5、分词：使用最终得到的词汇表对文本进行分词。

明细及后续更新见：

开源大模型对比之：Architecture

一、Transformer decoder整体结构如下，以LLaMa3-8B为例

二、模型架构的重要性

     由于很多模型如qwen、llama、mistral、yi等开源基座都是相互借鉴，考虑到大模型的巨大预训练成本，大家基本都会采用类似的架构，真正能在架构上进行创新的公司，都会被大家所追捧点赞！比如LLaMa2 70B第一次使用GQA，Deepseek对MHA到MLA的改进

  有篇研究大模型知识容量的论文arxiv/2404.05405  Physics of Language Models: Part 3.3, Knowledge Capacity Scaling Laws比较了GPT-2、LLaMA和Mistral等不同模型架构，发现在充分训练下，它们都接近于2比特/参数的容量比率。论文通过对比实验发现，在1000次曝光的条件下，所有模型（包括使用GatedMLP的LLaMA/Mistral和使用标准MLP的GPT-2）都能达到大约2比特/参数的知识存储比率。然而，在训练次数较少（如100次曝光）的情况下，GatedMLP的性能下降更为明显。进一步说明网络架构的重要性。

三、重要元素

对于开源大模型的架构来说，一般我们会关注如下的一些维度；

位置编码：

现在基本清一色的Rope了 ，建议查阅 https://kexue.fm/archives/8265

注意力机制：MHA、MQA、GQA、MLA

https://kexue.fm/archives/10091 从标准多头注意力到更大尺寸模型的GQA和MLA，这一部分基本是为了不丢效果情况下的性能优化

Pre-RMSNorm

Pre和Post的区别在于归一化是在残差之前还是在残差之后。

https://kexue.fm/archives/9009 中对pre推导发现pre其实是在增加模型的宽度，会损失效果，Post增加深度效果会更好。但《On Layer Normalization in the Transformer Architecture》这篇文章又显示了PreNorm更加容易训练。目前业内的各种模型如qwen、llama、mistral、deepseek等大厂又无一例外的都是PreRMSNorm，也很难得出结论说在更较大模型下的norm方式选择的差异性。所以这个问题上可以先了解其原理再观望分析看看。

RMSNorm移除了Mean的计算：

简化计算的同时减少了模型的计算量。

激活函数swiglu

• Activation Function：这关系到模型对于信息的筛选，选择ReLU、GELU、Swish等不同的激活函数，会对模型产生不小影响。

import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import norm
def gelu(x): return x * norm.cdf(x)
def relu(x): return np.maximum(0, x)
def swish(x, beta=1): return x * (1 / (1 + np.exp(-beta * x)))
x_values = np.linspace(-5, 5, 500)gelu_values = gelu(x_values)relu_values = relu(x_values)swish_values = swish(x_values)swish_values2 = swish(x_values, beta=0.5)swish_values3 = swish(x_values, beta=1)
plt.plot(x_values, gelu_values, label='GELU')plt.plot(x_values, relu_values, label='ReLU')plt.plot(x_values, swish_values, label='Swish')plt.plot(x_values, swish_values2, label='Swish (beta=0.5)')plt.plot(x_values, swish_values3, label='Swish (beta=1)')plt.title("GELU, ReLU, and Swish Activation Functions")plt.xlabel("x")plt.ylabel("Activation")plt.grid()plt.legend()plt.show()

注意力隐藏层维度、全连接隐藏层维度 ： 

• Intermediate Size：中间层的大小影响模型的学习和复杂度，一个恰到好处的中间层，能够使模型既不过于简单，也能较为高效。

• Hidden size决定了模型内部表示的丰富程度。更大的hidden size可以捕获更复杂的特征和模式，但同时也会增加模型的参数量和计算负担。

这里将Qwen、LlaMa、Baichuan、Deepseek、Yi等各参数的模型结果进行了对比汇总。

明细及后续更新见：

开源大模型对比之：领域落地选型因素

一、Base版本、Instruct版本和Chat版本的不同

       base版本只是做了next token prediction的预测，相当于纯粹是学习下一个词。instruct会遵循特定的指令，代表听话能力。chat版本会对齐helpful、harmnless、honest， 会有alignment tax问题。为什么会有对齐税的问题呢，个人浅显理解为这几个本身是会冲突的，有用的东西可能会有害，这其中的边界无法完全界定开，如果涉及到不同政治立场，可能更会对知识本身的纯粹性施加影响。所以这种对齐会影响到大模型本身的知识体系是不难理解的，只不过大家都在优化对齐技术，确保这种影响更小，或者提供一些instruct的版本供一些落地文本任务使用。

      另一方面，chat版本大部分都会做多轮对话，所以对于很多的上下文问题如指代消解，信息省略等场景chat版本应该会处理的更好，如果期望构建类似的agent或者多轮对话场景，这无疑是个比较好的选型。

二、领域落地选型的探讨

大致理了一些选型因素如下：

• 特定领域的适应性：模型需要能够适应专业领域的数据。直接关系到模型在特定任务上的表现，是选型时的首要考量。

• 成本效益分析：衡量模型训练与部署成本，以及预期回报。

• 部署成本 需要几张卡

• 比如moe虽然激活参数少， 但占用的显存可一点没少

• 社区与生态：充满活力的社区，成熟的生态系统，可以为模型使用者提供丰富的资源。

• 伦理与合规：确保模型选择和使用遵循伦理和法规，坚守道德高地。

• 基座本身 - 了解基座模型本身的网络设计

• 架构的领先和深度
  

• 基座本身 - 了解基座模型的预训练数据量是否 overtrainned

• 基座本身 - 看模型时效性和大厂背书

• meta 

• mistral

• baichuan
  

• qwen

• deepseek

• 基座本身 - 覆盖面：各个规模各个类型的都有。dense和moe都有

• qwen

• deepseek
  

• 效果指标 - 看相关榜单？相关榜单和指标能够直观地展示模型的性能，是评估模型效果的重要参考。

• mmlu、math 分别对应文科任务  还是理科任务

• 大模型竞技场、lmsys排名

• 功能覆盖，包括上下文长度和是否支持tool调用等，功能覆盖的广度和深度影响模型的适用性。

• 看上下文长度

• 是否支持tool调用
  

• 任务匹配程度 - 看任务类型：

• 文本理解：比如分类匹配信息抽取，这些任务是相对确定性的，

• 文本生成？这些任务是不确定的
  

• 任务匹配程度 - 微调后在领域任务上的效果对比，需要进行实践

• 理解任务看F1

• 生成任务看 GPT4 win rate

• 性能指标 - 速度

• 是否满足实时处理需求

• 多语言和多模态

• 是否支持多种语言

• 是否支持多种模态

虽然写出了这么多条条框框，但实际去观察最新最热的模型来看一般都没啥问题，比如Meta的LLaMa3系列，Qwen的Qwen1.5全系列，包含qwen-vl和qwen-audio，都是活跃度很高很靠谱的选择。只是我们在选择的时候，需要较全面的盘点是否没有考虑到的地方，即这些选型因素可以没用，但不能没有。

By the way，是不是马上又可以换换qwen2-72b-instruct了。

总结

总而言之，选择合适的基座大模型绝非易事，它需要综合考量众多因素。但在深入理解各种模型及其特点后，每一位选择者都能够找到最适合自己的那把钥匙。希望本文能帮你更加了解不同的大模型，为您在选型之路上提供指引，让每一次的决策都成为成功的铺路石。