• 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