Qwen · 2025-04 · Sparsames MoE
Qwen3 235B A22B
Qwen3 235B A22B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2025-04, mit 94 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 262,144 Tokens.
Schichtstapel
Attention ×94 · Schichten 94
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2025-04 |
| Parameter | 234.6 Mrd. |
| Aktiv | 21.7 Mrd. |
| Kontext | 262,144 tokens |
| Attention | GQA (64:4) |
| Schichten | 94 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 64 |
| Vokabular | 151,936 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen3MoeForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 64 q-heads / 4 kv-heads. RoPE θ=5,000,000.
FFN / MoE
Es handelt sich um ein sparsames Mixture-of-Experts mit 128 gerouteten Experten und Top-8-Routing; etwa 21.7 Mrd. Parameter sind pro Token aktiv.
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 Qwen3 0.6B
| Modell | Qwen3 235B A22B | Qwen3 0.6B | Ratio |
|---|---|---|---|
| model_type | qwen3_moe | qwen3 | ≠ |
| architectures | Qwen3MoeForCausalLM | Qwen3ForCausalLM | ≠ |
| hidden_size | 4096 | 1024 | ×4.00 |
| num_hidden_layers | 94 | 28 | ×3.36 |
| num_attention_heads | 64 | 16 | ×4.00 |
| num_key_value_heads | 4 | 8 | ×0.500 |
| head_dim | 128 | 128 | ≈1 |
| intermediate_size | 12288 | 3072 | ×4.00 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 8 | — | |
| moe_intermediate_size | 1536 | — | |
| rope_theta | 5000000 | 1000000 | ×5.00 |
| max_position_embeddings | 262144 | 40960 | ×6.40 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 151936 | 151936 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| bos_token_id | 151643 | 151643 | ≈1 |
| decoder_sparse_step | 1 | — | |
| eos_token_id | 151645 | 151645 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| max_window_layers | 94 | 28 | ×3.36 |
| norm_topk_prob | true | — | |
| num_experts | 128 | — | |
| output_router_logits | false | — |
Strukturell ähnlichste Modelle
- GLM-4.6 (GLM, 2025-10) 0.999
- GLM-4.5 (GLM, 2025-07) 0.999
- Qwen3.8 2.4T A95B (Qwen, 2026-08) 0.991
- MiniMax-Text-01 (MiniMax, 2025-01) 0.991
- MiniMax-M1 (MiniMax, 2025-06) 0.991
- GLM-4.5-Air (GLM, 2025-07) 0.989
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
31 Felder
| architectures | Qwen3MoeForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 151643 |
| decoder_sparse_step | 1 |
| eos_token_id | 151645 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| max_position_embeddings | 262144 |
| max_window_layers | 94 |
| model_type | qwen3_moe |
| moe_intermediate_size | 1536 |
| norm_topk_prob | true |
| num_attention_heads | 64 |
| num_experts | 128 |
| num_experts_per_tok | 8 |
| num_hidden_layers | 94 |
| num_key_value_heads | 4 |
| output_router_logits | false |
| rms_norm_eps | 0.000001 |
| rope_theta | 5000000 |
| router_aux_loss_coef | 0.001 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.51.0 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 151936 |