简介
文章主要介绍了大语言模型的技术体系，包括Prefix Decoder、Causal Decoder和Encoder-Decoder三种架构，以及它们在Attention Mask、训练目标和效率上的差异。详细解析了Layer Normalization的不同类型及在LLMs中的应用，探讨了Attention机制的各种变体优化方案。最后分析了LLMs采用Decoder-only结构的原因，以及GeLU、Swish等激活函数的选择与应用。
一、主流开源模型体系
目前主流的开源大语言模型体系大致分为三类：
Prefix Decoder 系：
- 输入端：双向注意力（类似 Encoder）
- 输出端：单向注意力（类似 Decoder）
- 代表模型：ChatGLM、ChatGLM2、U-PaLM
- 特点：prefix 部分 token 互相可见，属于 Encoder-Decoder 折中方案
- 缺点：训练效率低
Causal Decoder 系：
- 注意力：严格自回归单向注意力，即从左到右
- 代表模型：LLaMA 系列及衍生物
- 特点：预训练和下游任务完全一致，zero-shot 表现最好
- 优点：训练效率高、zero-shot 能力强，具备涌现能力
- 缺点：输入语义理解能力相对不足
Encoder-Decoder 系：
- 输入端：双向注意力（更充分的语义理解）
- 输出端：单向注意力（生成时遵循因果性）
- 代表模型：T5、Flan-T5、BART
- 特点：在理解类任务表现好
- 缺点：长文本生成表现差，训练效率低
二、Attention Mask 的区别
设输入序列长度为 n，attention mask 矩阵 M ∈ ℝⁿˣⁿ：
（1）Encoder（双向注意力）
所有 token 都能互相看到，语义理解。
（2）Causal Decoder（单向注意力）
当前位置只能看到自身与之前的 token，因果律。
（3）Prefix Decoder（折中）
三、大模型训练目标
（1）最大似然估计（MLE）
根据已出现的 token，预测下一个 token（作文）：
如下：
- Causal Decoder：在所有 token 上计算损失
- Prefix Decoder：仅在输出部分计算损失
（2）去噪自编码器（Denoising Autoencoder）
随机替换/打乱文本段，让模型恢复原始文本（完形）：
如下：
- 其中 x̃ 表示被随机破坏的输入
- 代表模型：T5、GLM-130B
- 难点：实现更复杂，训练效率更低
四、涌现能力的原因（猜测）
复杂任务由多个子任务组成，子任务性能随模型规模平滑提升，但整体任务指标可能出现“跳变”，表现为涌现能力。
模型容量与表示能力的非线性增强，随着参数量增加，模型可能跨越某种“能力门槛”。
比如我们假设某个任务 T 有 5 个子任务 Sub-T 构成，每个 sub-T 随着模型增长，指标从 40% 提升到 60%，但是最终任务的指标只从 1.1% 提升到了 7%，也就是说宏观上看到了涌现现象，但是子任务效果其实是平滑增长的。
五、为何大多数 LLM 采用 Decoder-only 结构？
原因如下：
- Zero-shot 能力强：无需大量标注数据，也能在自监督学习下发挥最好性能。
- 训练效率高：与下游推理完全一致，工程更简洁。
- 理论上更优：Encoder 的双向注意力在生成任务中可能引入低秩问题，削弱表达能力。
- 参数利用效率：同等参数量下，Encoder-Decoder 结构分摊了参数；Decoder-only 全部用于生成，更高效。
六、Layer normalization
（1）Layer Norm
如下：
- μ：特征的均值
- σ：标准差，归一化的缩放因子
- γ：可训练的缩放参数
- β：可训练的偏移参数
- ε：防止除零的小常数
Layer Norm 会对输入的每个 token 向量 按维度标准化，使其均值为 0、方差为 1，然后再通过 γ，β 学习恢复合适的分布。
（2）RMS Norm
RMSNorm 移除了均值项，只保留均方根 (Root Mean Square)：
如下：
- 无 β 偏移项
- 只保留缩放参数 γ
- 计算更快，对训练稳定性也有帮助
RMS Norm 只控制输入的 尺度（scale），不调整均值，因此更轻量，常用于大型模型（如 GPT-3 变体、PaLM）。
RMS Norm 简化了 Layer Norm ，去除掉计算均值进行平移的部分。对比 LN，RMS Norm 的计算速度更快。效果基本相当，甚至略有提升。
（3）Deep Norm
Deep Norm 主要是为了解决训练非常深的 Transformer 时梯度不稳定的问题（比如 100+ 层）：
- 执行 Layer Norm 之前，up-scale 了残差连接（alpha>1）；
- 初始化阶段 down-scale 了模型参数（beta<1）
残差形式：
其中 α = 1/√(2N)，N 为层数。在层与层之间的残差路径上控制信息流强度。这样可以避免残差累加过大导致梯度爆炸。
import torch.nn as nn def deepnorm_init(w): if any(name in w.name for name in ['ffn', 'v_proj', 'out_proj']): nn.init.xavier_normal_(w, gain=math.sqrt(2.0)) elif any(name in w.name for name in ['q_proj', 'k_proj']): nn.init.xavier_normal_(w, gain=1.0)LN 在 LLMs 中的不同位置区别？
Post-LN：
- 位置：layer norm 在残差链接之后
- 缺点：Post-LN 在深层的梯度范式逐渐增大，导致使用 post-LN 的深层 transformer 容易出现训练不稳定的问题
- 输出质量高，深层训练难
Pre-LN：
- 位置：layer norm 在残差链接中
- 优点：相比于 Post-LN，Pre-LN 在深层的梯度范式近似相等，所以使用 Pre-LN 的深层 transformer 训练更稳定，可以缓解训练不稳定问题
- 缺点：相比于 Post-LN，Pre-LN 的模型效果略差
- 深层稳定，略牺牲输出质量
Sandwich-LN：
- 位置：在 pre-LN 的基础上，额外插入了一个 layer norm
- 优点：Cogview 用来避免值爆炸的问题
- 缺点：训练不稳定，可能会导致训练崩溃。
- 极深防爆，普通训练易崩
LLMs 各模型分别用了哪种 Layer normalization？
七、LLMs 激活函数
FFN（前馈层）基本计算公式：
如下：
- 输入：向量 x ∈ ℝᵈ
- 权重：
- W₁ ∈ ℝᵈˣᵈᶠᶠ
- W₂ ∈ ℝᵈᶠᶠˣᵈ
- 偏置：b₁, b₂
- 激活函数：f(·) 可以是 ReLU / GeLU / Swish 等
- 中间维度：dᶠᶠ = 4d（通常 Transformer 默认 4 倍扩展）
FFN 是在每个 token 上独立应用的两层 MLP。先升维（扩展到更高维度空间），再激活，再降维回去。
GeLU 激活函数：
如下：
- 特点：平滑版本的 ReLU，不是硬性截断，而是概率化地保留输入。
- 效果：对小值衰减，对大值接近线性。让模型既保留微弱信号，又对强信号线性响应，从而提高表达力和训练稳定性。
- 应用：BERT、GPT 系列广泛采用 GeLU。
Swish 激活函数：
如下：
- 特点：平滑、非单调激活函数，比 ReLU/GeLU 更灵活。
- 效果：根据输入大小平滑放大或抑制信号，使信息流更灵活且梯度传播更稳定。
- 特殊情况：当 β=1 时就是常见的 Swish。
- 应用：在 EfficientNet、部分 LLM 变种中使用。
GLU（门控线性单元）：
如下：
- ⊗ 表示逐元素乘法
- W, V ∈ ℝᵈˣᵈᶠᶠ
- 输出由“值部分”和“门控部分”组合而成。
用 GLU 替换 FFN 的写法：
引入门控机制可以选择性地传递信息，类似 LSTM 的思想。允许重要信息通过，提高表达能力同时控制计算冗余。
GeLU-GLU 变体：
如下：
- 值路径：xW 经过 GeLU 激活
- 门路径：xV 直接作为调制因子
- 应用：T5（Google 的大规模预训练模型）采用 GeGLU。
- 把平滑激活和门控结合，在 FFN 中既筛选重要特征，又可调节信息流，让模型表达力增强且训练稳定。
Swish-GLU 变体：
如下：
- 值路径：xW 经过 Swish 激活
- 门路径：xV 直接作为调制因子
- 应用：PaLM（Google 超大规模 LLM）采用 SwiGLU。
- 将柔性调节（Swish）与门控结合，使 FFN 在保留细微信号的同时有选择性地传递信息，优化梯度流和训练稳定性，尤其适合超大模型。
参数量比较：
- 标准 FFN：2 个权重矩阵（W₁, W₂），中间维度通常是 4d。
- GLU 变体：需要 3 个权重矩阵（W, V, W₂），为了控制参数量，中间维度通常改为 (2/3) · 4d = 8/3 d。这样总体参数和计算量与标准 FFN 大致持平。
LLMs 中常用的激活函数选择：
八、Attention
传统 Attention 存在哪些问题？
- 传统 Attention 存在 上下文长度 约束问题；
- 传统 Attention 速度慢，内存占用大；
Attention 优化方向：
- 提升上下文长度
- 加速、减少内存占用
Attention 变体有哪些？
- 稀疏 attention。将稀疏偏差引入 attention 机制可以降低了复杂性；
- 线性化 attention。解开 attention 矩阵与内核特征图，然后以相反的顺序计算 attention 以实现线性复杂度；
- 原型和内存压缩。这类方法减少了查询或键值记忆对的数量，以减少注意力矩阵的大小；
- 低阶 self-Attention。这一系列工作捕获了 self-Attention 的低阶属性；
- Attention 与先验。该研究探索了用先验 attention 分布来补充或替代标准 attention；
- 改进多头机制。该系列研究探索了不同的替代多头机制。
Multi-head Attention 存在什么问题？
- 训练：不会显著影响训练过程，训练速度不变，会引起非常细微的模型效果损失；
- 推理：反复加载 KV cache , 导致内存开销大，性能是内存受限；
介绍 Multi-Query Attention？
Multi-Query Attention 在所有注意力头上共享 key 和 value。
对比 Multi-head Attention 和 Multi-Query Attention？
- Multi-head Attention：每个注意力头都有各自的 query、key 和 value。
- Multi-query Attention：在所有的注意力头上共享 key 和 value。
PaLM：直接使用 Multi-query Attention，保持 hidden size 和 FFN 结构 不变。
Falcon：为了保持总参数量一致，将隐藏维度从 4096 增大到 4544，多余参数分配给 Attention 和 FFN。
ChatGLM2-6B：采用 MQA / GQA 混合策略，将 FFN 中间维度从 11008 增加到 13696，多余参数分配给 FFN。
Multi-Query Attention 这样做的好处是什么？
减少 KV cache 的大小，减少显存占用，提升推理速度。
有哪些模型是使用 Multi-Query Attention？
代表模型：PaLM、ChatGLM2、Falcon 等
什么是 Grouped-query Attention？
介于 multi head 和 multi query 之间，多个 key 和 value。
有哪些大模型使用 Grouped-query Attention？
ChatGLM2，LLaMA2-34B/70B 使用了 Grouped query attention。
FlashAttention：
- 核心：用分块 softmax 等价替代传统 softmax
- 优点：节约 HBM，高效利用 SRAM，省显存，提速度
- 代表模型：Meta 推出的开源大模型 LLaMA，阿联酋推出的开源大模型 Falcon 都使用了 Flash Attention 来加速计算和节省显存
- 关键词：HBM、SRAM、分块 Softmax、重计算、Kernel 融合。
并行 transformer block：
- 用并行公式替换了串行，提升了 15%的训练速度。
- 在 8B 参数量规模，会有轻微的模型效果损失;在 62B 参数量规模，就不会损失模型效果。
- Falcon、PaLM 都使用了该技术来加速训练
读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
😝一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
