GPT、LLaMA 与 MOE：自回归模型与混合专家架构演进
基于《大规模语言模型：从理论到实践（第2版）》第 2 章 大语言模型基础
为什么这一节重要
大模型产品与开源生态里，最常见的就是「GPT 类」「LLaMA 类」和「MOE 类」模型。若不搞清楚它们在训练目标（自回归 vs 掩码）、架构细节（归一化、激活、位置编码）和使用场景上的差异，很容易出现「用 BERT 做长文本生成」或「用纯 GPT 做句向量」这类错配。本节基于原书第 2 章，系统讲清自回归解码器与掩码编码器的区别、LLaMA 的典型设计选择，以及混合专家（MOE）的「路由 + 专家」思想与效率取舍，并给出选型与部署时的实用要点。
学习目标
学完本节，你将能够：
- 区分自回归与掩码模型：说明自回归语言模型（如 GPT、LLaMA）与掩码语言模型（如 BERT）在训练目标与「训练时看到的上下文」上的本质不同，以及各自更适合的下游任务类型。
- 掌握 LLaMA 的典型设计：说出 LLaMA 在归一化（RMSNorm）、激活函数（SwiGLU）、位置编码（RoPE）等方面的选择，以及这些选择对训练稳定性与长上下文的影响。
- 理解 MOE 的取舍：解释混合专家模型中「路由 + 专家」的工作方式、在参数量与激活量上的特点，以及部署时对显存与带宽的影响。
一、自回归语言模型 vs 掩码语言模型（原书第 2 章）
自回归语言模型（Autoregressive LM）
- 训练目标：在给定上文的前提下，预测下一个 token（或下一个词）。损失通常是对整个序列的下一 token 交叉熵求和或平均。因此，训练时每个位置「只能看到」它左侧的 token，不能看到右侧（通过因果掩码保证）。
- 典型架构：解码器-only（Decoder-only），即只使用 Transformer 的解码器层：带因果掩码的自注意力 + 前馈网络，无「编码器」部分。
- 使用方式：天然适合生成——自左向右逐 token 生成，直到结束符或达到最大长度。也可用于填空、续写、对话（把历史与当前问题拼成序列，让模型生成回复）。代表：GPT 系列、LLaMA、Qwen、DeepSeek 等。
掩码语言模型（Masked LM）
- 训练目标：随机遮盖输入中的部分 token，让模型根据**上下文（含左右两侧）**预测被遮盖的内容。每个位置在训练时可以看到整句（除被 mask 的位置）。
- 典型架构：编码器（Encoder-only），即双向自注意力（无因果掩码）+ 前馈网络。代表：BERT、RoBERTa 等。
- 使用方式：适合理解与表示——取 [CLS] 或整句的池化表示做分类、相似度、检索等。也可做「填空」式生成，但按 token 自回归长文本生成不是其设计重心，且通常没有因果掩码，直接用于生成会存在「看到未来」的泄露问题。
本质区别小结
- 训练时看到的上下文：自回归只看左侧；掩码看两侧（除被 mask 处）。
- 更适合的任务：自回归适合生成、对话、续写；掩码适合分类、抽取、句表示、检索。若要做「长文本生成」或「对话生成」，应选解码器架构；若要做「句向量」或「文本分类」，可考虑编码器或专门训练的嵌入模型，而不是把纯生成模型最后一层隐状态直接当向量用。
二、GPT 类与 LLaMA 的架构要点（原书第 2 章）
GPT 类（解码器-only、自回归）
原书第 2 章将 GPT 作为自回归解码器代表：堆叠 Transformer 解码器块，每块含因果自注意力 + 前馈；训练目标为下一 token 预测。适合生成与对话，也是当前 ChatGPT、开源对话模型的主流基座形态。
LLaMA 的典型设计（原书第 2 章）
LLaMA 在「用什么 Norm、什么激活、什么位置编码」上做了明确选择，被后续很多开源模型沿用：
- RMSNorm：在 LayerNorm 基础上去掉均值项，只做缩放，计算更省、效果相当，训练更稳定。
- SwiGLU：FFN 的激活函数采用 SwiGLU（及相应权重形状），相比原始 ReLU FFN 表达力更强，被多数新架构采用。
- RoPE：位置编码采用旋转位置编码（RoPE），便于长上下文与长度外推，与绝对位置编码相比更利于扩展。
这些细节在阅读 LLaMA、Qwen、DeepSeek 等代码或配置时会反复出现；选型与微调时保持与基座一致（例如不要随意把 RMSNorm 换成 LayerNorm），可减少训练不稳定或效果异常。
工程上的对应：纯生成/对话优先选解码器架构；若需要「句向量」或「检索用嵌入」，应选编码器或专门训练的嵌入模型，而不是用生成模型的最后一层隐状态直接做相似度（未经对比学习的隐状态通常不适合做检索）。
三、混合专家模型（MOE）思想与取舍（原书第 2 章）
基本思想
在部分层中，不使用「一个大的前馈层」，而是引入多份专家（Expert）子网络（如多份 FFN），并增加一个路由（Router）：对每个 token，路由决定它「走哪几个专家」（例如选 top-1 或 top-2），只对选中的专家做前向计算，最后按路由权重合并输出。这样，总参数量可以很大（很多专家），但单次前向激活的参数量只涉及被选中的少数专家，从而在相近效果下降低计算与显存。
典型数量关系（原书第 2 章）
例如某 MOE 层有 8 个专家，每个 token 选 2 个专家：则前向时该层「参与计算」的参数量约为「一个全连接 FFN」的 2/8 = 1/4 的专家参数量（若每个专家与原来单 FFN 同规模，则约为原来的 2 倍 FFN 参数量，但总参数是 8 倍）。因此，显存与计算更受「激活路径」影响，而总参数会明显增大，模型文件与加载时间会上升；推理时还要考虑路由负载均衡（避免总选同一两个专家）与通信/带宽（多卡时专家可能分布在不同设备）。
选型与部署注意点
- MOE 模型（如 Mixtral）在相同激活预算下可容纳更大总参数，适合「要大能力又要控单次推理成本」的场景。
- 部署时需关注：路由是否均衡、多卡下专家通信、以及框架对 MOE 的优化（如专家并行、通信重叠等）。不要仅凭「参数量大」就认为一定更慢——要看激活量与实现。
四、工程实战要点
1. 按任务选架构
- 纯生成/对话：优先解码器架构（GPT/LLaMA 类）。
- 需要句向量、检索、分类：用编码器或专用嵌入模型，不要用纯生成模型的隐状态直接当向量。
- 既要生成又要理解：可考虑 Encoder-Decoder 或「生成模型 + 单独嵌入模型」的组合。
2. MOE 部署时关注路由与带宽
对 Mixtral 等 MOE 模型，要关注路由负载、显存占用与带宽；可结合官方或社区文档做 batch size、并行方式的调优。
五、常见误区与避坑指南
误区一：用 BERT 做长文本生成或用纯 GPT 做句向量
架构与训练目标不匹配会导致效果差或行为异常。避坑：生成用解码器、表示用编码器或专用嵌入模型。
误区二：认为 MOE 参数量大就一定更慢
MOE 通过「稀疏激活」控制实际计算量，推理时更吃带宽与路由实现。避坑：以实测延迟与吞吐为准，并关注框架对 MOE 的优化程度。
误区三：微调时随意改 Norm 或激活
与基座不一致的 Norm/激活可能带来训练不稳定或效果下降。避坑：与基座保持一致，除非有明确实验支撑。
六、小结与衔接
本节区分了自回归与掩码语言模型、梳理了 GPT 类与 LLaMA 的架构要点（RMSNorm、SwiGLU、RoPE），并介绍了 MOE 的「路由 + 专家」思想及在参数量与激活量上的取舍。下一节将进入解码器结构的实现细节：因果掩码、Pre-Norm 与 RMSNorm 在块中的位置，便于读源码与做修改。
课后思考题
- 自回归语言模型和掩码语言模型在「训练时看到的上下文」上有什么本质不同？各更适合什么类型的下游任务？
- 若某 MOE 层有 8 个专家、每 token 选 2 个专家，该层前向时参与计算的参数大约是全连接时的多少？这对显存和速度有什么影响？
