Qwen · 2024-02 · Dicht
Qwen1.5 7B
Qwen1.5 7B ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von Qwen im 2024-02, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 32,768 Tokens.
Schichtstapel
Attention ×32 · Schichten 32
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2024-02 |
| Parameter | 6.6 Mrd. |
| Kontext | 32,768 tokens |
| Attention | MHA (32:32) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 151,936 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen2ForCausalLM |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 32 q-heads / 32 kv-heads. RoPE θ=1,000,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 6.6 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 | Qwen1.5 7B | DeepSeek-Coder 6.7B | Ratio |
|---|---|---|---|
| model_type | qwen2 | llama | ≠ |
| architectures | Qwen2ForCausalLM | LlamaForCausalLM | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 32 | 32 | ≈1 |
| intermediate_size | 11008 | 11008 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 1000000 | 100000 | ×10.00 |
| max_position_embeddings | 32768 | 16384 | ×2.00 |
| sliding_window | 32768 | — | |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 151936 | 32256 | ×4.71 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_dropout | 0 | — | |
| bos_token_id | 151643 | 32013 | ×4.74 |
| eos_token_id | 151643 | 32014 | ×4.74 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| max_window_layers | 28 | — | |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.37.0 | 4.34.1 | ≠ |
| use_cache | true | true | ＝ |
| use_sliding_window | false | — |
Strukturell ähnlichste Modelle
- DeepSeek-Coder 6.7B (DeepSeek, 2023-11) 1.000
- DeepSeek LLM 7B (DeepSeek, 2023-11) 0.998
- LLaMA 1 7B (Meta, 2023-02) 0.884
- DeepSeekMoE 16B (DeepSeek, 2024-01) 0.872
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.793
- Llama 3.1 8B (Meta, 2024-07) 0.792
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
23 Felder
| architectures | Qwen2ForCausalLM |
|---|---|
| attention_dropout | 0 |
| bos_token_id | 151643 |
| eos_token_id | 151643 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 11008 |
| max_position_embeddings | 32768 |
| max_window_layers | 28 |
| model_type | qwen2 |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 32 |
| rms_norm_eps | 0.000001 |
| rope_theta | 1000000 |
| sliding_window | 32768 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.37.0 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 151936 |