Mistral · 2023-09 · Dicht
Mistral 7B
Mistral 7B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Mistral im 2023-09, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 32,768 Tokens.
Schichtstapel
Attention ×32 · Schichten 32
Kernfakten
| Labor | Mistral |
|---|---|
| Veröffentlicht | 2023-09 |
| Parameter | 7.24 Mrd. |
| Kontext | 32,768 tokens |
| Attention | GQA (32:8) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 32,000 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | — |
| Architekturklasse | MistralForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 32 q-heads / 8 kv-heads. RoPE θ=10,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 7.24 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 Hunyuan 7B
| Modell | Mistral 7B | Hunyuan 7B | Ratio |
|---|---|---|---|
| model_type | mistral | hunyuan_v1_dense | ≠ |
| architectures | MistralForCausalLM | HunYuanDenseV1ForCausalLM | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | — | 128 | |
| intermediate_size | 14336 | 14336 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 32768 | 32768 | ≈1 |
| sliding_window | 4096 | — | |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 32000 | 128167 | ×0.250 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| bos_token_id | 1 | 1 | ≈1 |
| eos_token_id | 2 | 127960 | ×0.000 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| tie_word_embeddings | false | true | ≠ |
| transformers_version | 4.34.0.dev0 | 4.41.2 | ≠ |
| use_cache | true | true | ＝ |
Strukturell ähnlichste Modelle
- Hunyuan 7B (Hunyuan, 2025-08) 1.000
- Qwen3 8B (Qwen, 2025-04) 1.000
- Qwen2.5 7B (Qwen, 2024-09) 1.000
- Llama 3.1 8B (Meta, 2024-07) 0.999
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.998
- Qwen3 32B (Qwen, 2025-04) 0.990
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
20 Felder
| architectures | MistralForCausalLM |
|---|---|
| bos_token_id | 1 |
| eos_token_id | 2 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 14336 |
| max_position_embeddings | 32768 |
| model_type | mistral |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 8 |
| rms_norm_eps | 0.00001 |
| rope_theta | 10000 |
| sliding_window | 4096 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.34.0.dev0 |
| use_cache | true |
| vocab_size | 32000 |