探索和构建 LLaMA 3 架构：深入探讨组件、编码和推理技术（一）
Meta 通过推出新的开源 AI 模型 Llama 3 以及新版本的 Meta AI，正在加强其在人工智能 (AI) 竞赛中的竞争力。该虚拟助手由 Llama 3 提供支持，现已可在所有 Meta 平台上使用。
- Llama 3 是什么？：Meta 推出了 Llama 3，这是其 Llama 系列开源 AI 模型中的最新版本。 Llama 3 有两种变体：一种具有 80 亿个参数，另一种具有 700 亿个参数。Meta 声称 Llama 3 在这些参数尺度上为大型语言模型设立了新标准。他们改进了训练前和训练后流程，从而降低了错误拒绝率、更好的对齐以及模型的更多样化的响应。值得注意的是，Llama 3 拥有增强的推理、代码生成和指令跟踪能力。
LLaMA 架构：
- 与前代模型之间的主要区别在于，预训练语料库的大小增加了 650% ，LLaMA 2 在 2T标记上进行训练，而 LLaMA 3 在 15T 标记上进行训练，模型的上下文长度从 4K 增加了一倍到 8K ，8B 和 70B 模型，并对 8B 和 70B 变体采用分组查询注意力，与上一代（GQA）相比，仅在更大的模型 34B 和 70B 中使用。最有影响力的部分是新的安全方法，包括安全和有用两种奖励模式。
Llama3 模型大小、架构、优化超参数
llama2 模型大小、架构、优化超参数
Llama1 参数
Llama架构
LLaMA 3 架构主要采用与 LLaMA 2 相同的架构，其中 GQA（分组查询注意）用于 8B 和 70B 模型，RoPE（旋转位置嵌入）用于 Q、K，因为 V 仅在应用 SoftMax 之前相乘函数，RMS（均方根误差）用于在 Self Attention 之前应用的归一化，前馈块，KV 缓存也与 LLMA 中使用的保持相同。注意：此模型架构仅专注于模型推理，而不是用于训练，因此具有交叉注意力的解码器块不会被覆盖，KV 缓存也不会用于模型的训练阶段。
大模型技术分享
