Meta · 2023-02 · Dicht
LLaMA 1 7B
LLaMA 1 7B ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von Meta im 2023-02, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 2,048 Tokens.
Schichtstapel
Attention ×32 · Schichten 32
Kernfakten
| Labor | Meta |
|---|---|
| Veröffentlicht | 2023-02 |
| Parameter | 6.74 Mrd. |
| Kontext | 2,048 tokens |
| Attention | MHA (32:32) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 32,000 |
| Positionscodierung | learned/absolute |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | — |
| Architekturklasse | LlamaForCausalLM |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 32 q-heads / 32 kv-heads.
FFN / MoE
Es ist ein dichtes Modell: Alle 6.74 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 DeepSeek-Coder 6.7B
| Modell | LLaMA 1 7B | DeepSeek-Coder 6.7B | Ratio |
|---|---|---|---|
| model_type | llama | llama | ＝ |
| architectures | LlamaForCausalLM | LlamaForCausalLM | ＝ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | — | 32 | |
| intermediate_size | 11008 | 11008 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | — | 100000 | |
| max_position_embeddings | 2048 | 16384 | ×0.125 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 32000 | 32256 | ×0.992 |
| torch_dtype | float16 | bfloat16 | ≠ |
| _name_or_path | /home/sgugger/tmp/llama/llama-7b/ | — | |
| bos_token_id | 1 | 32013 | ×0.000 |
| eos_token_id | 2 | 32014 | ×0.000 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| max_sequence_length | 2048 | — | |
| pad_token_id | 0 | — | |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.28.0.dev0 | 4.34.1 | ≠ |
| use_cache | true | true | ＝ |
Strukturell ähnlichste Modelle
- DeepSeek-Coder 6.7B (DeepSeek, 2023-11) 0.884
- Qwen1.5 7B (Qwen, 2024-02) 0.884
- DeepSeek LLM 7B (DeepSeek, 2023-11) 0.882
- DeepSeekMoE 16B (DeepSeek, 2024-01) 0.771
- Qwen3.5 27B (Qwen, 2026-02) 0.720
- Qwen3.5 9B (Qwen, 2026-02) 0.718
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
20 Felder
| _name_or_path | /home/sgugger/tmp/llama/llama-7b/ |
|---|---|
| architectures | LlamaForCausalLM |
| bos_token_id | 1 |
| eos_token_id | 2 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 11008 |
| max_position_embeddings | 2048 |
| max_sequence_length | 2048 |
| model_type | llama |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| pad_token_id | 0 |
| rms_norm_eps | 0.000001 |
| tie_word_embeddings | false |
| torch_dtype | float16 |
| transformers_version | 4.28.0.dev0 |
| use_cache | true |
| vocab_size | 32000 |