1. 引言
近年来，大型语言模型 (LLM) 取得了令人瞩目的进展，其中 Llama、Qwen 和 ChatGLM 是三个备受关注的开源模型。它们都在 Transformer 架构的基础上进行了改进和优化，并在各种 NLP 任务上取得了优异的性能。
本文将深入分析 Llama、Qwen 和 ChatGLM 的网络结构和训练方法，比较它们的异同以及各自的优势。
2. 模型结构对比
| 特性 | Llama | Qwen | ChatGLM |
|---|---|---|---|
| 基础架构 | Decoder-only | Decoder-only | Encoder-Decoder (GLM架构，非传统意义) |
| 预训练目标 | Causal Language Modeling | Causal Language Modeling | Autoregressive Blank Infilling (自回归空格填充) |
| 位置编码 | Rotary Positional Embedding (RoPE) | Rotary Positional Embedding (RoPE) | 2D RoPE (二维位置编码,类似transformer-xl) |
| 归一化 | RMS Norm | RMS Norm | Layer Norm (Pre-Normalization) |
| 激活函数 | SwiGLU | SwiGLU | GeGLU |
| 注意力机制 | GQA (Grouped-Query Attention) | GQA (Grouped-Query Attention), FlashAttention | Multi-head Attention, FlashAttention (可选) |
| 分词器 | SentencePiece (BPE) | Tiktoken (GPT-4 同款) | SentencePiece (BPE) |
| 最大序列长度 | 4k (Llama2), 可外推 | 32k (Qwen-72B), 可外推 | 2k (ChatGLM-6B), 8k (ChatGLM2-6B), 可外推 |
| 参数量 | 7B, 13B, 34B, 70B | 1.8B, 7B, 14B, 72B | 6B, 12B |
| 特色 | 开源且性能强大 | 支持更长的上下文和多语言; 微调代码丰富 | 双语支持，针对中文优化，推理性能强 |
2.1 基础架构：Decoder-only vs. Encoder-Decoder (GLM)
- Llama 和 Qwen 都采用了 Decoder-only 架构，这意味着它们只使用 Transformer 的解码器部分。Decoder-only 架构的模型擅长生成文本，因为它们在训练过程中只看到前面的 token，这与生成任务的自回归特性相符。
- ChatGLM 基于 GLM (Gen
