Qwen · 2024-09 · Densa
Qwen2.5 72B
Qwen2.5 72B è un Transformer a attention grouped-query (GQA) pubblicato da Qwen nel 2024-09, con 80 strati, dimensione nascosta 8192 e una finestra di contesto di 32,768 token.
Pila di strati
Attention ×80 · Strati 80
Dati chiave
| Laboratorio | Qwen |
|---|---|
| Pubblicazione | 2024-09 |
| Parametri | 71.4 mld |
| Contesto | 32,768 tokens |
| Attention | GQA (64:8) |
| Strati | 80 |
| Dim. nascosta | 8,192 |
| Teste di attention | 64 |
| Vocabolario | 152,064 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | Qwen2ForCausalLM |
Panoramica dell'architettura
Attention
attention grouped-query (GQA) — 64 q-heads / 8 kv-heads. RoPE θ=1,000,000.
FFN / MoE
È un modello denso: tutti i 71.4 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 predecessore Qwen2 72B
| Modello | Qwen2.5 72B | Qwen2 72B | Rapporto |
|---|---|---|---|
| model_type | qwen2 | qwen2 | ＝ |
| architectures | Qwen2ForCausalLM | Qwen2ForCausalLM | ＝ |
| hidden_size | 8192 | 8192 | ≈1 |
| num_hidden_layers | 80 | 80 | ≈1 |
| num_attention_heads | 64 | 64 | ≈1 |
| num_key_value_heads | 8 | 8 | ≈1 |
| intermediate_size | 29568 | 29568 | ≈1 |
| hidden_act | silu | silu | ＝ |
| rope_theta | 1000000 | 1000000 | ≈1 |
| max_position_embeddings | 32768 | 32768 | ≈1 |
| sliding_window | 131072 | 131072 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 152064 | 152064 | ≈1 |
| torch_dtype | bfloat16 | bfloat16 | ＝ |
| 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 | 70 | 80 | ×0.875 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.43.1 | 4.40.1 | ≠ |
| use_cache | true | true | ＝ |
| use_sliding_window | false | false | ＝ |
Architetture più simili
- Qwen2 72B (Qwen, 2024-06) 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
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
23 campi
| 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 | 70 |
| 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 | 4.43.1 |
| use_cache | true |
| use_sliding_window | false |
| vocab_size | 152064 |