Qwen · 2024-06 · Dicht
Qwen2 72B
Qwen2 72B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2024-06, mit 80 Schichten, Hidden-Größe 8192 und einem Kontextfenster von 32,768 Tokens.
Schichtstapel
Attention ×80 · Schichten 80
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2024-06 |
| Parameter | 71.4 Mrd. |
| Kontext | 32,768 tokens |
| Attention | GQA (64:8) |
| Schichten | 80 |
| Hidden-Dim. | 8,192 |
| Attention-Köpfe | 64 |
| Vokabular | 152,064 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen2ForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 64 q-heads / 8 kv-heads. RoPE θ=1,000,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 71.4 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 Qwen1.5 7B
| Modell | Qwen2 72B | Qwen1.5 7B | Ratio |
|---|---|---|---|
| model_type | qwen2 | qwen2 | ＝ |
| architectures | Qwen2ForCausalLM | Qwen2ForCausalLM | ＝ |
| hidden_size | 8192 | 4096 | ×2.00 |
| num_hidden_layers | 80 | 32 | ×2.50 |
| num_attention_heads | 64 | 32 | ×2.00 |
| num_key_value_heads | 8 | 32 | ×0.250 |
| intermediate_size | 29568 | 11008 | ×2.69 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 1000000 | 1000000 | ≈1 |
| max_position_embeddings | 32768 | 32768 | ≈1 |
| sliding_window | 131072 | 32768 | ×4.00 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 152064 | 151936 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 151643 | 151643 | ≈1 |
| eos_token_id | 151645 | 151643 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| max_window_layers | 80 | 28 | ×2.86 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.40.1 | 4.37.0 | ≠ |
| use_cache | true | true | ＝ |
| use_sliding_window | false | false | ＝ |
Strukturell ähnlichste Modelle
- Qwen2.5 72B (Qwen, 2024-09) 1.000
- Llama 3.1 70B (Meta, 2024-07) 0.999
- Qwen3 32B (Qwen, 2025-04) 0.995
- Qwen3.6 27B (Qwen, 2026-04) 0.992
- Qwen3.8 27B (Qwen, 2026-08) 0.992
- Qwen3 8B (Qwen, 2025-04) 0.977
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 | 151645 |
| hidden_act | silu |
| hidden_size | 8192 |
| initializer_range | 0.02 |
| intermediate_size | 29568 |
| max_position_embeddings | 32768 |
| max_window_layers | 80 |
| model_type | qwen2 |
| num_attention_heads | 64 |
| num_hidden_layers | 80 |
| num_key_value_heads | 8 |
| rms_norm_eps | 0.000001 |
| rope_theta | 1000000 |
| sliding_window | 131072 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.40.1 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 152064 |