大模型參數量都是7B，13B和65B等背后的原因是什么？
不知道大家有沒有注意到現在大模型百花齊放，但是模型參數大小卻非常一致，基本都是7B，13B，65B等。那么，為什么被設計成這么大呢？
網絡上有很多解釋，筆者結合自己的理解，分享其中可能的原因。
最直接的就是歷史傳承，因為最初OpenAI在gpt-3就是這么干的，然后，Meta借鑒了OpenAI的做法，推出了llama的7B，13B，33B，65B四個尺寸。由于llama在開源領域的地位，其他模型廠商都基本遵守了這樣的約定，形成了當下的局面。
適配推理設備。特別是對于一些參數量小的模型是為了適配不同級別的GPU顯存，常見的顯寸大小從4G到80G不等，我們知道顯存占用的公式：
模型空間大小 = 參數量 *參數精度
這使得能夠很方便地在單卡上部署推理，降低使用的門檻。以chatGLM2-6B為例，它有62億參數，權重參數文件采用BF16精度存儲，實際顯存占用大概為12.5GB，一個英偉達T4顯卡（16GB）就能跑起來。
模型結構上的設計。從模型結構上看，當前大模型都是采用的transfomer模型的decoder-only結構（未遮蓋部分）。其參數量受到隱藏層維度，層數，注意力頭數等影響，而這些參數取值既參考GPT-3，也是結合。下面是llama和gpt系列模型的參數量統計：
實際參數量P | 隱藏層維度d_model | 層數N | 注意力頭數h | 估算參數量 |
6.7B | 4096 | 32 | 32 | 6590300160 |
13.0B | 5120 | 40 | 40 | 12730761216 |
32.5B | 6656 | 60 | 52 | 32045531136 |
65.2B | 8192 | 80 | 64 | 64572358656 |
llama
性能、成本與訓練時間的綜合平衡。根據一文探秘LLM應用開發(12)-模型部署與推理(大模型相關參數計算及性能分析)，模型訓練時間可以估算：6TP/(n*X*u)，其中X是計算顯卡的峰值FLOPS，n為卡的數量，u為利用率。以LLaMA-65B為例，在2048張80GB顯存的A100上，在1.4TB tokens的數據上訓練了65B參數量的模型。80GB顯存A100的峰值性能為624TFLOPS，設GPU利用率為0.3，則所需要的訓練時間為：
本文轉載自 ??AI工程化??，作者： ully
