GLM · 2023-10 · Dicht
ChatGLM3 6B
ChatGLM3 6B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von GLM im 2023-10, mit 28 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 8,192 Tokens.
Schichtstapel
Attention ×28 · Schichten 28
Kernfakten
| Labor | GLM |
|---|---|
| Veröffentlicht | 2023-10 |
| Parameter | 6.2 Mrd. |
| Kontext | 8,192 tokens |
| Attention | GQA (32:2) |
| Schichten | 28 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | — |
| Positionscodierung | — |
| Normierung | — |
| Aktivierung | — |
| Präzision | bf16 |
| Architekturklasse | ChatGLMModel |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 32 q-heads / 2 kv-heads.
FFN / MoE
Es ist ein dichtes Modell: Alle 6.2 Mrd. Parameter sind an der Berechnung jedes Tokens beteiligt.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem ähnlichsten Modell GLM-4 9B
| Modell | ChatGLM3 6B | GLM-4 9B | Ratio |
|---|---|---|---|
| model_type | chatglm | chatglm | ＝ |
| architectures | ChatGLMModel | ChatGLMModel | ＝ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| torch_dtype | float16 | bfloat16 | ≠ |
| _name_or_path | THUDM/chatglm3-6b | THUDM/glm-4-9b | ≠ |
| add_bias_linear | false | false | ＝ |
| add_qkv_bias | true | true | ＝ |
| apply_query_key_layer_scaling | true | true | ＝ |
| apply_residual_connection_post_layernorm | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| attention_softmax_in_fp32 | true | true | ＝ |
| bias_dropout_fusion | true | true | ＝ |
| ffn_hidden_size | 13696 | 13696 | ≈1 |
| fp32_residual_connection | false | false | ＝ |
| hidden_dropout | 0 | 0 | ＝ |
| kv_channels | 128 | 128 | ≈1 |
| layernorm_epsilon | 0.00001 | 1.5625e-7 | ×64.00 |
| multi_query_attention | true | true | ＝ |
| multi_query_group_num | 2 | 2 | ≈1 |
| num_layers | 28 | 40 | ×0.700 |
| original_rope | true | true | ＝ |
| padded_vocab_size | 65024 | 151552 | ×0.429 |
| post_layer_norm | true | true | ＝ |
| rmsnorm | true | true | ＝ |
| seq_length | 8192 | 8192 | ≈1 |
Strukturell ähnlichste Modelle
- GLM-4 9B (GLM, 2024-06) 0.997
- Qwen3.5 27B (Qwen, 2026-02) 0.712
- Qwen3.5 9B (Qwen, 2026-02) 0.699
- Qwen3.5 9B Base (Qwen, 2026-02) 0.699
- Llama 2 70B (Meta, 2023-07) 0.679
- Llama 3.1 70B (Meta, 2024-07) 0.646
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
31 Felder
| _name_or_path | THUDM/chatglm3-6b |
|---|---|
| model_type | chatglm |
| architectures | ChatGLMModel |
| add_bias_linear | false |
| add_qkv_bias | true |
| apply_query_key_layer_scaling | true |
| apply_residual_connection_post_layernorm | false |
| attention_dropout | 0 |
| attention_softmax_in_fp32 | true |
| bias_dropout_fusion | true |
| ffn_hidden_size | 13696 |
| fp32_residual_connection | false |
| hidden_dropout | 0 |
| hidden_size | 4096 |
| kv_channels | 128 |
| layernorm_epsilon | 0.00001 |
| multi_query_attention | true |
| multi_query_group_num | 2 |
| num_attention_heads | 32 |
| num_layers | 28 |
| original_rope | true |
| padded_vocab_size | 65024 |
| post_layer_norm | true |
| rmsnorm | true |
| seq_length | 8192 |
| use_cache | true |
| torch_dtype | float16 |
| transformers_version | 4.30.2 |
| tie_word_embeddings | false |
| eos_token_id | 2 |
| pad_token_id | 0 |