Meta · 2024-07 · Dicht
Llama 3.1 8B
Llama 3.1 8B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Meta im 2024-07, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 131,072 Tokens.
Schichtstapel
Attention ×32 · Schichten 32
Kernfakten
| Labor | Meta |
|---|---|
| Veröffentlicht | 2024-07 |
| Parameter | 8.03 Mrd. |
| Kontext | 131,072 tokens |
| Attention | GQA (32:8) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 128,256 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | LlamaForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 32 q-heads / 8 kv-heads. RoPE θ=500,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 8.03 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 Vorgänger Llama 3.1 70B
| Modell | Llama 3.1 8B | Llama 3.1 70B | Ratio |
|---|---|---|---|
| model_type | llama | llama | ＝ |
| architectures | LlamaForCausalLM | LlamaForCausalLM | ＝ |
| hidden_size | 4096 | 8192 | ×0.500 |
| num_hidden_layers | 32 | 80 | ×0.400 |
| num_attention_heads | 32 | 64 | ×0.500 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | 128 | — | |
| intermediate_size | 14336 | 28672 | ×0.500 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 500000 | 500000 | ≈1 |
| max_position_embeddings | 131072 | 131072 | ≈1 |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 128256 | 128256 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| _name_or_path | meta-llama/meta-Llama-3.1-8B-Instruct | — | |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 128000 | 128000 | ≈1 |
| eos_token_id | 128009 | 128001×1 + 128008×1 + 128009×1 | ≠ |
| initializer_range | 0.02 | 0.02 | ≈1 |
| mlp_bias | false | false | ＝ |
| pad_token_id | 128004 | — | |
| pretraining_tp | 1 | 1 | ≈1 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.49.0.dev0 | 4.42.3 | ≠ |
| unsloth_fixed | true | — |
Strukturell ähnlichste Modelle
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 1.000
- Qwen3 8B (Qwen, 2025-04) 0.999
- Hunyuan 7B (Hunyuan, 2025-08) 0.999
- Mistral 7B (Mistral, 2023-09) 0.999
- Qwen2.5 7B (Qwen, 2024-09) 0.999
- Qwen3.6 27B (Qwen, 2026-04) 0.992
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
27 Felder
| _name_or_path | meta-llama/meta-Llama-3.1-8B-Instruct |
|---|---|
| architectures | LlamaForCausalLM |
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 128000 |
| eos_token_id | 128009 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 14336 |
| max_position_embeddings | 131072 |
| mlp_bias | false |
| model_type | llama |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 8 |
| pad_token_id | 128004 |
| pretraining_tp | 1 |
| rms_norm_eps | 0.00001 |
| rope_theta | 500000 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.49.0.dev0 |
| unsloth_fixed | true |
| use_cache | true |
| vocab_size | 128256 |