Mistral · 2023-09 · Densa
Mistral 7B
Mistral 7B è un Transformer a attention grouped-query (GQA) pubblicato da Mistral nel 2023-09, con 32 strati, dimensione nascosta 4096 e una finestra di contesto di 32,768 token.
Pila di strati
Attention ×32 · Strati 32
Dati chiave
| Laboratorio | Mistral |
|---|---|
| Pubblicazione | 2023-09 |
| Parametri | 7.24 mld |
| Contesto | 32,768 tokens |
| Attention | GQA (32:8) |
| Strati | 32 |
| Dim. nascosta | 4,096 |
| Teste di attention | 32 |
| Vocabolario | 32,000 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | — |
| Classe architetturale | MistralForCausalLM |
Panoramica dell'architettura
Attention
attention grouped-query (GQA) — 32 q-heads / 8 kv-heads. RoPE θ=10,000.
FFN / MoE
È un modello denso: tutti i 7.24 milioni di parametri partecipano al calcolo di ogni token.
Confronto campo per campo
Confronto con il modello precedente dello stesso laboratorio; in assenza, col modello strutturalmente più vicino. La colonna rapporto = questo modello ÷ modello di confronto.
Confronto completo con il più simile, Hunyuan 7B
| Modello | Mistral 7B | Hunyuan 7B | Rapporto |
|---|---|---|---|
| model_type | mistral | hunyuan_v1_dense | ≠ |
| architectures | MistralForCausalLM | HunYuanDenseV1ForCausalLM | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 32 | ≈1 |
| num_attention_heads | 32 | 32 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| head_dim | — | 128 | |
| intermediate_size | 14336 | 14336 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 10000 | 10000 | ≈1 |
| max_position_embeddings | 32768 | 32768 | ≈1 |
| sliding_window | 4096 | — | |
| rms_norm_eps | 0.00001 | 0.00001 | ≈1 |
| vocab_size | 32000 | 128167 | ×0.250 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| bos_token_id | 1 | 1 | ≈1 |
| eos_token_id | 2 | 127960 | ×0.000 |
| initializer_range | 0.02 | 0.02 | ≈1 |
| tie_word_embeddings | false | true | ≠ |
| transformers_version | 4.34.0.dev0 | 4.41.2 | ≠ |
| use_cache | true | true | ＝ |
Architetture più simili
- Hunyuan 7B (Hunyuan, 2025-08) 1.000
- Qwen3 8B (Qwen, 2025-04) 1.000
- Qwen2.5 7B (Qwen, 2024-09) 1.000
- Llama 3.1 8B (Meta, 2024-07) 0.999
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.998
- Qwen3 32B (Qwen, 2025-04) 0.990
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
20 campi
| architectures | MistralForCausalLM |
|---|---|
| bos_token_id | 1 |
| eos_token_id | 2 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 14336 |
| max_position_embeddings | 32768 |
| model_type | mistral |
| num_attention_heads | 32 |
| num_hidden_layers | 32 |
| num_key_value_heads | 8 |
| rms_norm_eps | 0.00001 |
| rope_theta | 10000 |
| sliding_window | 4096 |
| tie_word_embeddings | false |
| torch_dtype | bfloat16 |
| transformers_version | 4.34.0.dev0 |
| use_cache | true |
| vocab_size | 32000 |