OpenAI · 2019-02 · Dense
GPT-2
GPT-2 est un Transformer à attention multi-tête (MHA) publié par OpenAI en 2019-02, avec 12 couches, une dimension cachée de 768 et une fenêtre de contexte de 1,024 tokens.
Pile de couches
Attention ×12 · Couches 12
Faits clés
| Laboratoire | OpenAI |
|---|---|
| Publication | 2019-02 |
| Paramètres | 1.24 Md |
| Contexte | 1,024 tokens |
| Attention | MHA (12:12) |
| Couches | 12 |
| Dimension cachée | 768 |
| Têtes d'attention | 12 |
| Vocabulaire | 50,257 |
| Encodage positionnel | learned-absolute |
| Normalisation | LayerNorm |
| Activation | — |
| Précision | bf16 |
| Classe d'architecture | GPT2LMHeadModel |
Vue d'ensemble de l'architecture
Attention
attention multi-tête (MHA) — 12 q-heads / 12 kv-heads.
FFN / MoE
C’est un modèle dense : la totalité des 1.24Md de paramètres participe au calcul de chaque token.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le plus proche, GPT-3 175B (paper)
| Modèle | GPT-2 | GPT-3 175B (paper) | Ratio |
|---|---|---|---|
| model_type | gpt2 | gpt3-paper | ≠ |
| architectures | GPT2LMHeadModel | — | |
| hidden_size | — | 12288 | |
| num_attention_heads | — | 96 | |
| max_position_embeddings | — | 2048 | |
| layer_norm_epsilon | 0.00001 | — | |
| vocab_size | 50257 | 50257 | ≈1 |
| activation_function | gelu_new | — | |
| attn_pdrop | 0.1 | — | |
| bos_token_id | 50256 | — | |
| embd_pdrop | 0.1 | — | |
| eos_token_id | 50256 | — | |
| initializer_range | 0.02 | — | |
| n_ctx | 1024 | — | |
| n_embd | 768 | — | |
| n_head | 12 | — | |
| n_layer | 12 | — | |
| n_positions | 1024 | — | |
| resid_pdrop | 0.1 | — | |
| summary_first_dropout | 0.1 | — | |
| summary_proj_to_labels | true | — | |
| summary_type | cls_index | — | |
| summary_use_proj | true | — |
Architectures les plus proches
- GPT-3 175B (paper) (OpenAI, 2020-05) 0.744
- LLaMA 1 7B (Meta, 2023-02) 0.629
- Step-3 (StepFun, 2025-07) 0.604
- Step-3.5-Flash (StepFun, 2026-03) 0.602
- Step-3.7-Flash (StepFun, 2026-05) 0.602
- Qwen1.5 7B (Qwen, 2024-02) 0.580
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
20 champs
| activation_function | gelu_new |
|---|---|
| architectures | GPT2LMHeadModel |
| attn_pdrop | 0.1 |
| bos_token_id | 50256 |
| embd_pdrop | 0.1 |
| eos_token_id | 50256 |
| initializer_range | 0.02 |
| layer_norm_epsilon | 0.00001 |
| model_type | gpt2 |
| n_ctx | 1024 |
| n_embd | 768 |
| n_head | 12 |
| n_layer | 12 |
| n_positions | 1024 |
| resid_pdrop | 0.1 |
| summary_first_dropout | 0.1 |
| summary_proj_to_labels | true |
| summary_type | cls_index |
| summary_use_proj | true |
| vocab_size | 50257 |