Qwen · 2025-04 · Dicht
Qwen3 8B
Qwen3 8B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2025-04, mit 36 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 40,960 Tokens.
Schichtstapel
Attention ×36 · Schichten 36
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2025-04 |
| Parameter | 7.9 Mrd. |
| Kontext | 40,960 tokens |
| Attention | GQA (32:8) |
| Schichten | 36 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 32 |
| Vokabular | 151,936 |
| Positionscodierung | RoPE |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen3ForCausalLM |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 32 q-heads / 8 kv-heads. RoPE θ=1,000,000.
FFN / MoE
Es ist ein dichtes Modell: Alle 7.9 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 Qwen3 32B
| Modell | Qwen3 8B | Qwen3 32B | Ratio |
|---|---|---|---|
| model_type | qwen3 | qwen3 | ＝ |
| architectures | Qwen3ForCausalLM | Qwen3ForCausalLM | ＝ |
| hidden_size | 4096 | 5120 | ×0.800 |
| num_hidden_layers | 36 | 64 | ×0.563 |
| num_attention_heads | 32 | 64 | ×0.500 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | 128 | 128 | ≈1 |
| intermediate_size | 12288 | 25600 | ×0.480 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 1000000 | 1000000 | ≈1 |
| max_position_embeddings | 40960 | 40960 | ≈1 |
| 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 |
| eos_token_id | 151645 | 151645 | ≈1 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| max_window_layers | 36 | 64 | ×0.563 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.51.0 | 4.51.0 | ＝ |
| use_cache | true | true | ＝ |
| use_sliding_window | false | false | ＝ |
Strukturell ähnlichste Modelle
- Hunyuan 7B (Hunyuan, 2025-08) 1.000
- Mistral 7B (Mistral, 2023-09) 1.000
- Qwen2.5 7B (Qwen, 2024-09) 0.999
- Llama 3.1 8B (Meta, 2024-07) 0.999
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.998
- Qwen3.6 27B (Qwen, 2026-04) 0.992
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
24 Felder
| architectures | Qwen3ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 151643 |
| eos_token_id | 151645 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| max_position_embeddings | 40960 |
| max_window_layers | 36 |
| model_type | qwen3 |
| num_attention_heads | 32 |
| num_hidden_layers | 36 |
| num_key_value_heads | 8 |
| rms_norm_eps | 0.000001 |
| rope_theta | 1000000 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.51.0 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 151936 |