Qwen · 2025-04 · Densa
Qwen3 32B
Qwen3 32B è un Transformer a attention grouped-query (GQA) pubblicato da Qwen nel 2025-04, con 64 strati, dimensione nascosta 5120 e una finestra di contesto di 40,960 token.
Pila di strati
Attention ×64 · Strati 64
Dati chiave
| Laboratorio | Qwen |
|---|---|
| Pubblicazione | 2025-04 |
| Parametri | 32.1 mld |
| Contesto | 40,960 tokens |
| Attention | GQA (64:8) |
| Strati | 64 |
| Dim. nascosta | 5,120 |
| Teste di attention | 64 |
| Vocabolario | 151,936 |
| Codifica posizionale | RoPE |
| Normalizzazione | RMSNorm |
| Attivazione | silu |
| Precisione | bf16 |
| Classe architetturale | Qwen3ForCausalLM |
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 32.1 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 Qwen3 30B A3B
| Modello | Qwen3 32B | Qwen3 30B A3B | Rapporto |
|---|---|---|---|
| model_type | qwen3 | qwen3_moe | ≠ |
| architectures | Qwen3ForCausalLM | Qwen3MoeForCausalLM | ≠ |
| hidden_size | 5120 | 2048 | ×2.50 |
| num_hidden_layers | 64 | 48 | ×1.33 |
| num_attention_heads | 64 | 32 | ×2.00 |
| num_key_value_heads | 8 | 4 | ×2.00 |
| head_dim | 128 | 128 | ≈1 |
| intermediate_size | 25600 | 6144 | ×4.17 |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | — | 8 | |
| moe_intermediate_size | — | 768 | |
| rope_theta | 1000000 | 10000000 | ×0.100 |
| max_position_embeddings | 40960 | 262144 | ×0.156 |
| 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 | 64 | 48 | ×1.33 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.51.0 | 4.51.0 | ＝ |
| use_cache | true | true | ＝ |
| use_sliding_window | false | false | ＝ |
Architetture più simili
- Qwen3.6 27B (Qwen, 2026-04) 0.998
- Qwen3.8 27B (Qwen, 2026-08) 0.998
- Llama 3.1 70B (Meta, 2024-07) 0.995
- Qwen2 72B (Qwen, 2024-06) 0.995
- Qwen2.5 72B (Qwen, 2024-09) 0.995
- Qwen3 8B (Qwen, 2025-04) 0.992
I valori di similarità vanno da 0 (nessuna caratteristica categoriale condivisa) a 1 (profili identici).
Campi grezzi del config.json
24 campi
| architectures | Qwen3ForCausalLM |
|---|---|
| attention_bias | false |
| attention_dropout | 0 |
| bos_token_id | 151643 |
| eos_token_id | 151645 |
| head_dim | 128 |
| hidden_act | silu |
| hidden_size | 5120 |
| initializer_range | 0.02 |
| intermediate_size | 25600 |
| max_position_embeddings | 40960 |
| max_window_layers | 64 |
| model_type | qwen3 |
| num_attention_heads | 64 |
| num_hidden_layers | 64 |
| 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 |