主流大模型架构全景：GPT/LLaMA/DeepSeek/Qwen 深度对比

数学分析：

• Post-Norm：$x_{l+1} = \text{LN}(x_l + F(x_l))$，梯度经过 LN 后被归一化，深层梯度消失
• Pre-Norm：$x_{l+1} = x_l + F(\text{LN}(x_l))$，残差直连保证梯度直通，训练更稳定
• 代价：Pre-Norm 的最终表示可能塌缩到残差通道，需要在最后加一层 LN

1.3 代码实现

# GPT-2 风格的 Transformer Block
class GPT2Block(nn.Module):
    def __init__(self, d_model, n_heads, d_ff, dropout=0.1):
        super().__init__()
        self.ln1 = nn.LayerNorm(d_model)  # Pre-Norm
        self.attn = MultiHeadAttention(d_model, n_heads, dropout)
        self.ln2 = nn.LayerNorm(d_model)
        self.ffn = nn.Sequential(
            nn.Linear(d_model, d_ff),
            nn.GELU(),
            nn.Linear(d_ff, d_model),
            nn.Dropout(dropout)
        )
    def forward(self, x, mask=None):
        x = x + self.attn(self.ln1(x), mask=mask)
        x = x + self.ffn(self.ln2(x))
        return x

1.4 工程实践

GPT 系列的关键工程决策

1. GPT-1 到 GPT-2：从 Post-Norm 换到 Pre-Norm
2. GPT-3 训练：Model Parallelism+Data Parallelism，约 1200 万美元
3. GPT-4 训练：传闻约 25000 个 A100 训练约 90 天

1.5 面试考点精讲

Q1：GPT-1/2/3/4 的核心区别？

秒答：GPT-1 证明预训练有效，GPT-2 证明 zero-shot 可行，GPT-3 证明 ICL 有效，GPT-4 加入多模态和 MoE。

展开：最重要的范式转变是 GPT-2 到 GPT-3：从预训练 + 微调变成预训练+prompt。一个大模型通过不同 prompt 就能做所有任务，催生了整个 prompt engineering 领域。

Q2：GPT-3 的 175B 参数是怎么分布的？

秒答：96 层，每层约 1.8B 参数。MHA(4d^2) + FFN(8d^2) + Embedding。

Q3：GPT-4 为什么可能用 MoE？

秒答：MoE 让总参数量大（知识容量大）但推理时只激活一部分（保持速度）。多个信源证实 8 专家 Top-2 架构。

Q4：ICL 的理论解释有哪些？Transformer 如何隐式实现梯度下降？

秒答：三种主流解释：(1) 贝叶斯推理——模型在隐式推断任务分布；(2) 梯度下降——Akyürek 等人证明线性 Attention 层的前向传播数学上等价于一步梯度下降，示例相当于训练数据；(3) 任务识别——模型在预训练时见过类似任务模式，ICL 本质是模式匹配。

展开：梯度下降视角最有启发性。对于线性回归任务，单层线性 Attention 的前向传播可以写成 $\hat{y} = W_{OV} \sum_i \text{softmax}(q \cdot k_i) v_i$，这与在示例上做一步 GD 后的预测数学形式一致。

Q5：GPT-3 的训练数据质量控制做了什么？

秒答：(1) 用高质量参考语料训练二分类器，对 Common Crawl 做质量过滤；(2) 基于文档间 n-gram 重叠做模糊去重；(3) 用 LSH 做近似去重；(4) 对高质量来源（Wikipedia、书籍）过采样 2-3 倍。最终从 45TB 过滤到 570GB。

模块二：LLaMA 系列 | 开源 LLM 的标杆

2.1 核心概念

LLaMA-1（2023.02）：Meta 的开源 LLM，证明高质量数据 + 充分训练比盲目增大模型更有效。

关键设计选择：

• RMSNorm + Pre-Norm
• SwiGLU 激活
• RoPE 位置编码
• 无 Bias

LLaMA 架构总览

Input tokens ↓ [Embedding (无位置编码)] ↓ ┌──────────────────────────────┐ ×N 层 │ RMSNorm → GQA + RoPE → Add │ │ RMSNorm → SwiGLU FFN → Add │ └──────────────────────────────┘ ↓ [RMSNorm → Linear → Softmax] ↓ Output logits 

LLaMA-2（2023.07）：2T tokens 训练、上下文 2K→4K、70B 用 GQA、推出 Chat 版

LLaMA-3（2024.04）：15T+ tokens、词表 128K、上下文 128K、405B 版本

2.2 原理推导

RMSNorm vs LayerNorm

LayerNorm：$\text{LN}(x) = \frac{x - \mu}{\sqrt{\sigma^2 + \epsilon}} \cdot \gamma + \beta$（需要计算均值和方差）

RMSNorm：$\text{RMS}(x) = \frac{x}{\sqrt{\frac{1}{d}\sum_{i=1}^{d}x_i^2 + \epsilon}} \cdot \gamma$（只计算 RMS，省去均值和偏移）

优势：计算量减少约 10-15%，效果几乎无差别。去掉了 re-centering（减均值），只保留 re-scaling。

SwiGLU 激活函数

$\text{SwiGLU}(x) = \text{Swish}(xW_1) \otimes (xW_2)$

其中 $\text{Swish}(x) = x \cdot \sigma(\beta x)$，$\otimes$ 是逐元素乘法。

对比普通 FFN（2 个矩阵）SwiGLU 用 3 个矩阵（W1,W2,W3），但实验表明在同等参数量下效果更好。PaLM、LLaMA、Qwen 都采用。

MHA / MQA / GQA 对比

GQA 是 MHA 和 MQA 的折中：将 h 个 Query 头分成 g 组，每组共享一对 KV 头。LLaMA-70B 用 h=64,g=8。

MHA: Q1→KV1 Q2→KV2 Q3→KV3 Q4→KV4 (每个 Q 有自己的 KV)
MQA: Q1→KV1 Q2→KV1 Q3→KV1 Q4→KV1 (所有 Q 共享 1 个 KV)
GQA: Q1→KV1 Q2→KV1 Q3→KV2 Q4→KV2 (分组共享 KV)

RoPE（旋转位置编码）核心思想

将位置信息编码为旋转矩阵，使得 $q_m^T k_n$ 只依赖于相对位置 $m-n$：

$f(q, m) = q \cdot e^{im\theta}$

在实数域展开为 2D 旋转：

$R_\theta(m) = \begin{pmatrix} \cos m\theta & -\sin m\theta \ \sin m\theta & \cos m\theta \end{pmatrix}$

对每一对相邻维度应用不同频率的旋转：$\theta_i = 10000^{-2i/d}$

优势：天然编码相对位置、可以通过 NTK 扩展到更长序列、对长距离衰减有良好特性。

参数量计算（7B 为例）

• Embedding: 32000 x 4096 = 131M
• 每层 MHA: 4 x 4096^2 = 67M
• 每层 FFN(SwiGLU): 3 x 4096 x 11008 = 135M
• 32 层：(67M+135M) x 32 = 6464M
• 总计：~6.7B

2.3 代码实现

class LLaMABlock(nn.Module):
    def __init__(self, d_model, n_heads, n_kv_heads, d_ff):
        super().__init__()
        self.norm1 = RMSNorm(d_model)
        self.attn = GroupedQueryAttention(d_model, n_heads, n_kv_heads)
        self.norm2 = RMSNorm(d_model)
        self.ffn = SwiGLU_FFN(d_model, d_ff)
    def forward(self, x, freqs_cis, mask=None):
        h = x + self.attn(self.norm1(x), freqs_cis, mask)
        out = h + self.ffn(self.norm2(h))
        return out

2.4 工程实践

LLaMA 的核心贡献：证明数据质量和训练充分度比模型大小更重要。7B 用 1.4T tokens 训练，效果优于 175B 的 GPT-3。

2.5 面试考点精讲

Q1：LLaMA 相比 GPT-3 做了哪些架构改进？

秒答：RMSNorm 替代 LayerNorm、SwiGLU 替代 GeLU、RoPE 替代 Learned PE、去掉所有 bias。组合效果显著。

Q2：LLaMA-2 的 Chat 版本怎么训练的？

秒答：先 SFT（27K 高质量数据），再 RLHF（PPO），迭代 5 轮。迭代是关键——每轮用更好模型收集更好数据。

Q3：LLaMA-3 相比 LLaMA-2 的重大变化？

秒答：数据从 2T 增到 15T+，词表 32K 增到 128K，上下文 4K 增到 128K。8B 效果接近 LLaMA-2-70B。

Q4：RoPE 是如何编码相对位置信息的？

秒答：RoPE 对 query 和 key 向量按维度对施加不同频率的旋转矩阵。两个位置的内积 $q_m^T k_n$ 只依赖于 $(m-n)$，天然编码相对位置。频率从低到高覆盖不同尺度的位置信息。

展开：数学上，$\langle f(q,m), f(k,n) \rangle = \text{Re}[\sum_i q_i k_i^* e^{i(m-n)\theta_i}]$。低频维度编码远距离关系，高频维度编码近距离关系。NTK-aware 扩展通过调整 base 频率实现长度外推。

Q5：LLaMA-3 的训练数据策略有什么变化？

秒答：(1) 数据量从 2T 暴增到 15T+ tokens；(2) 大幅增加代码和数学数据占比；(3) 使用质量分类器和去重 pipeline 更激进过滤；(4) 增加多语言数据覆盖。关键洞察：在 8B 规模上用 15T 数据 over-training，效果接近 70B 模型用 2T 数据。

Q6：为什么 LLaMA 去掉了所有 bias？

秒答：实验发现去掉 bias 对模型质量影响极小，但能减少参数量和计算量。QKV 投影去掉 bias 后矩阵乘法可以更高效地做张量并行（不需要额外 broadcast bias）。PaLM 也做了同样选择。

2.6 【大厂真题 - 字节/DeepSeek 高频】

真题 1：字节跳动 架构岗——'从 MHA 到 GQA 减少了 KV 头数，那它到底是在解决训练瓶颈还是推理瓶颈？如果把 GQA 用到训练中，会有性能提升吗？'

痛点剖析：考察对计算体系结构（Compute-bound vs Memory-bound）的透彻理解。很多人以为改变网络结构就能全方位加速。

极客解法：核心定性：GQA 纯粹是为了解决推理阶段的显存墙（Memory-bound）问题，对训练阶段（Prefill/训练前向）的速度提升微乎其微。原理解释：在训练阶段，所有的 Token 是并行计算的（一个大矩阵乘法 $Q \times K^T$），此时是计算密集型（Compute-bound）。显存主要被模型权重和中间激活（Activation）占据，KV Cache 根本没存下来，所以 GQA 省 KV 显存的优势在训练时发挥不出来。推理阶段的蜕变：但在推理的 Decoding 阶段（逐字生成），每次只生成一个 Token，但要读取前面所有 Token 的 KV Cache。这时的瓶颈变成了算力都在等显存喂数据（Memory Bandwidth Bound）。GQA 通过几组 Query 共享一个 KV，把需要读取的 KV 总量砍掉了几倍甚至几十倍（比如 LLaMA3 的 8 倍），极大地缓解了带宽压力，让生成阶段的速度直接起飞，并且允许单卡塞进大几倍的 Batch Size。

真题 2：DeepSeek 算法研发——'DeepSeek V3 和 R1 采用了 DeepSeekMoE 架构，它与传统的 Mixtral MoE（Top-2）相比，在路由机制和专家颗粒度上做了什么颠覆性设计？为什么这么做能解决常识知识遗忘问题？'

痛点剖析：考察对 MoE 演进前沿的追踪，以及专家协同与知识分配的底层逻辑。

极客解法：细粒度专家（Fine-grained Experts）：传统 MoE（如 Mixtral 8x7B）是 8 个大专家，选 2 个激活。这导致一个专家被激活时，带入了大量冗余参数。DeepSeekMoE 的理念是专家拆碎，比如把大专家拆成了 256 个小专家（也就是单个专家参数量极小），然后每次路由激活 Top-8 个小专家。相同的激活参数量下，这种细粒度允许模型进行更精细的知识组合（组合爆炸优势）。共享专家路由（Shared Expert Isolation）——解决遗忘的核心：痛点：传统 MoE 中，所有的标点符号、语法连接词（的、is）等通用长尾知识，会被迫通过路由分配到某个专家中，这导致该专家被通用知识塞满，无法精专某项技能（Knowledge Collapse）。极客破局：DeepSeekMoE 硬性划出了一块非路由的共享专家（Shared Experts）（比如 1 个或几个），这部分专家对于每个 Token 是必将激活（Always-on）的。化学反应：模型很快学会把所有通用知识、上下文基础逻辑全都塞给共享专家，而让剩下的 256 个路由专家彻底放飞自我，专精于数学、物理、代码等垂直领域。这从根本上隔离了通用知识与领域知识，彻底解决了微调或长文本推理时的常识遗忘（Catastrophic Forgetting）打架问题。

模块三：DeepSeek 系列 | MoE 与创新架构

3.1 核心概念

**DeepSeek-V2（2024.05）**两大创新：

1. MLA（Multi-Latent Attention）：把 KV 压缩成低维 latent 向量，KV-Cache 仅为 MHA 的 5.4%
2. DeepSeekMoE：160 个细粒度专家+2 个共享专家，选 6 个

DeepSeek-V3（2024.12）：

• 671B 总参数，37B 激活参数
• 256 个路由专家+1 个共享专家，每个 token 路由到 Top-8 个路由专家（加上始终激活的 1 个共享专家，共 9 个参与计算）
• 辅助损失无关的负载均衡：用动态 bias 替代辅助 loss
• FP8 混合精度训练
• 训练成本仅 557 万美元

DeepSeek-R1（2025.01）：

• 纯 RL 训练让模型自发学会推理
• GRPO（不需要 Critic 模型）

3.2 原理推导

MLA 核心思想与维度分析

标准 MHA 每个 token 缓存：$2 \times n_h \times d_k = 2 \times 128 \times 128 = 32768$ 个数值

MLA 压缩流程：

1. 压缩：$c_{KV} = W_{DKV} \cdot x$，$c_{KV} \in \mathbb{R}^{d_c}$（$d_c = 512 \ll n_h d_k = 16384$）
2. 推理时只缓存 $c_{KV}$（512 个数值 vs 32768 个，压缩比 5.4%）
3. 计算时恢复：$K = W_{UK} \cdot c_{KV}$，$V = W_{UV} \cdot c_{KV}$

标准 MHA 缓存：[K_1, K_2, ..., K_128, V_1, V_2, ..., V_128] → 32768 维
MLA 缓存：[c_KV] → 512 维

比 GQA 更灵活软压缩 vs 硬共享。GQA 是固定分组共享 KV，MLA 是学习一个低维投影，信息保留更充分。

辅助损失无关的负载均衡机制（DeepSeek-V3）

传统方法：$\mathcal{L}{total} = \mathcal{L}{LM} + \alpha \cdot \mathcal{L}_{balance}$，$\alpha$太大伤害路由质量，太小负载不均。

V3 方法：为每个专家维护一个动态 bias $b_i$

• 每步统计各专家负载 $l_i$
• 负载低于平均 → $b_i$ 增大（吸引更多 token）
• 负载高于平均 → $b_i$ 减小
• 路由打分：$s_i' = s_i + b_i$，但 $b_i$ 不参与梯度计算

优势：完全不影响主 loss 的梯度，路由质量不受损。

DeepSeek-R1 训练 Pipeline

Stage 1: 冷启动 SFT → 基础指令跟随能力
↓
Stage 2: 大规模 RL（GRPO）→ 模型自发学会推理（涌现 CoT）
↓
Stage 3: Rejection Sampling → 收集高质量推理数据
↓
Stage 4: SFT + RL → 最终对齐（格式、安全、有用性）
↓
Stage 5: 蒸馏 → R1-Distill 系列（1.5B~70B）

关键发现：Stage 2 中模型自发学会了 aha moment——在推理过程中自我纠错。

DeepSeekMoE

$y = \sum_{i=1}^{N_s} \text{FFN}i^{(s)}(x) + \sum{j=1}^{K} g_j \cdot \text{FFN}_{r_j}^{(r)}(x)$

共享专家提供通用能力，路由专家提供专业能力。

3.3 代码实现

class MultiLatentAttention(nn.Module):
    def __init__(self, d_model, n_heads, d_compress):
        super().__init__()
        self.d_k = d_model // n_heads
        self.w_dkv = nn.Linear(d_model, d_compress, bias=False)
        self.w_uk = nn.Linear(d_compress, n_heads * self.d_k, bias=False)
        self.w_uv = nn.Linear(d_compress, n_heads * self.d_k, bias=False)
        self.w_q = nn.Linear(d_model, n_heads * self.d_k, bias=False)
        self.w_o = nn.Linear(n_heads * self.d_k, d_model, bias=False)

3.4 工程实践

V3 的训练效率优化：FP8 训练节省约 50% 显存、DualPipe 流水线将 bubble 率从 33% 降到 10%。

3.5 面试考点精讲

Q1：MLA 相比 GQA 的优势？

秒答：可学习的压缩比硬共享更灵活，压缩率更高（5.4%），精度损失更小。

Q2：DeepSeek-V3 为什么不用辅助损失？

秒答：辅助损失会伤害路由质量。V3 用动态 bias——负载低的专家自动加正 bias 吸引更多 token，不影响主 loss 梯度。

Q3：DeepSeek-R1 的核心创新？

秒答：纯 RL 训练（不做 SFT）也能让模型自发学会推理。用 GRPO 替代 PPO，不需要 Critic 模型。

Q4：MLA 与 Linear Attention 有什么关系？

秒答：两者都试图降低 KV-Cache 的开销。Linear Attention 用核函数近似 softmax 消除序列维度的二次复杂度；MLA 保留标准 softmax Attention，但把 KV 投影到低维空间。MLA 在实践中精度保持更好，因为没有牺牲 Attention 的表达能力。

Q5：DeepSeek-V3 的训练成本为什么只有 557 万美元？

秒答：三个关键因素：(1) FP8 混合精度训练节省约 50% 显存和计算；(2) DualPipe 流水线将 bubble 率从 33% 降到 10%，GPU 利用率极高；(3) MoE 架构使得 671B 总参数只需 37B 激活参数，等效 Dense 模型的训练 FLOPs 远低于同参数量 Dense 模型。对比 GPT-4 传闻 1 亿美元以上的训练成本，V3 效率提升了约 20 倍。

Q6：DeepSeek-V3 的 FP8 训练具体怎么做？

秒答：采用 Per-Tensor 量化（而非 Per-Channel），对 GEMM 的输入做 FP8 量化，用 E4M3 格式存前向激活，E5M2 格式存反向梯度。关键 trick 是保留 FP32 的 master weight 做累加，只在矩阵乘法中用 FP8。Loss 几乎无损失，但训练吞吐提升约 40%。

模块四：Qwen 系列 | 阿里的全能选手

4.1 核心概念

Qwen-2.5（2024.09）：0.5B 到 72B 全系列，18T tokens 训练，151K 超大词表。

Qwen-2.5 完整参数表

Qwen-VL 视觉语言模型

• 视觉编码器：ViT-G/14（约 2B 参数）
• 连接方式：Cross-Attention Resampler，将视觉 token 压缩到固定数量（256 个）
• 支持任意分辨率输入，动态切片后分别编码再拼接

Qwen-Coder 代码模型

• 基于 Qwen-2.5 基座，增加代码数据比例（约 40% 代码数据）
• 支持 128K 长上下文，适合大型代码仓库分析
• 在 HumanEval/MBPP 上与 GPT-4 接近

4.2 原理推导

大词表的权衡

• 编码效率高：同样文本用更少 token→推理更快
• Embedding 层参数增大：但对 7B+ 模型影响<5%

YARN 位置编码扩展

Qwen 使用 YARN（Yet Another RoPE Extension）扩展上下文长度：

• 将 RoPE 频率分成三组：高频保持不变、中频做 NTK 插值、低频做线性插值
• 加上 attention scaling factor 补偿长序列的注意力稀释
• 效果：4K 训练上下文可以扩展到 32K-128K

4.3 工程实践

Qwen 的特色能力矩阵：Qwen-Math（数学）、Qwen-Coder（代码）、Qwen-VL（视觉）、Qwen-Audio（音频）

Qwen vs 同级别竞品

4.4 面试考点精讲

Q1：Qwen 为什么选 151K 词表？

秒答：提高中文编码效率。32K 词表中文每字 2-3 个 token，151K 可能 1 个 token。推理快 40%+。

Q2：Qwen 和 LLaMA 架构区别？

秒答：基础架构几乎相同，主要差异在词表大小、QKV 是否有 bias、训练数据的语言分布。

Q3：Qwen 的 YARN 位置编码扩展是什么？

秒答：YARN 将 RoPE 频率分为高、中、低三组分别处理——高频不动、中频 NTK 插值、低频线性插值，加上 attention scaling 因子。相比简单线性插值或 NTK-aware，YARN 在长距离上保持更好的注意力分辨率。

Q4：Qwen-VL 如何处理图文混合输入？

秒答：图像经 ViT 编码后通过 Resampler 压缩成固定数量的视觉 token（256 个），与文本 token 在同一序列中拼接送入 LLM。支持任意分辨率——大图先切成多个 patch 分别编码再拼接，保留空间信息。多图多轮对话也支持。

模块五：MoE 架构 | 用更少算力训练更大模型

5.1 核心概念

MoE 核心：把 FFN 替换成多个专家，每次只激活几个。总参数大（知识多），激活参数少（推理快）。

MoE 发展脉络

5.2 原理推导

Router：$g(x) = \text{TopK}(\text{softmax}(W_g \cdot x))$

负载均衡损失：$\mathcal{L}{\text{balance}} = N \cdot \sum{i=1}^{N} f_i \cdot P_i$

其中 $f_i$ 是专家 iii 实际接收的 token 比例，$P_i$ 是所有 token 对专家 iii 的路由概率均值。

Capacity Factor：每个专家能处理的最大 token 数 = $CF \times \frac{T}{N}$（$T$=总 token 数，$N$=专家数）。CF=1.25 意味着允许 25% 的不均衡。超出容量的 token 被丢弃或溢出到其他专家。

Expert Parallelism 通信

MoE 的 All-to-All 通信模式：

Step 1: 每个 GPU 计算所有 token 的路由决策
Step 2: All-to-All → 把 token 发送到对应专家所在的 GPU
Step 3: 每个 GPU 上的专家处理分配到的 token
Step 4: All-to-All → 把结果发回原始 GPU

通信量 = $O(\text{batch_size} \times d_{model})$，与专家数无关但与 batch 大小线性相关。

5.3 代码实现

class MoELayer(nn.Module):
    def __init__(self, d_model, d_ff, n_experts, top_k):
        super().__init__()
        self.gate = nn.Linear(d_model, n_experts, bias=False)
        self.experts = nn.ModuleList([
            SwiGLU_FFN(d_model, d_ff) for _ in range(n_experts)
        ])
        self.top_k = top_k
    def forward(self, x):
        # x: [batch, seq, d_model]
        bsz, seq_len, d = x.shape
        x_flat = x.view(-1, d)  # [B*S, d]
        # 路由计算
        logits = self.gate(x_flat)  # [B*S, n_experts]
        weights, indices = torch.topk(
            torch.softmax(logits, dim=-1), self.top_k
        )
        weights = weights / weights.sum(dim=-1, keepdim=True)
        # 稀疏计算（简化版，实际用 scatter/gather 优化）
        output = torch.zeros_like(x_flat)
        for i, expert in enumerate(self.experts):
            mask = (indices == i).any(dim=-1)
            if mask.any():
                expert_input = x_flat[mask]
                expert_output = expert(expert_input)
                # 加权合并
                w = weights[mask][indices[mask] == i]
                output[mask] += w.unsqueeze(-1) * expert_output
        return output.view(bsz, seq_len, d)

5.4 面试考点精讲

Q1：MoE vs Dense 模型的优缺点？

秒答：MoE 同算力参数更多（知识更多），但显存占用大（总参数要全加载）、通信开销高、训练不稳定。

Q2：路由崩溃是什么？怎么解决？

秒答：所有 token 路由到少数专家。解决：辅助损失、容量因子限制、Noise Top-K。

Q3：细粒度专家 vs 粗粒度专家的权衡？

秒答：粗粒度（如 Mixtral 8 个大专家）实现简单，但每个专家参数多、冗余大。细粒度（如 DeepSeek 256 个小专家）路由更精准、专业化更强，但通信开销更大、路由不稳定风险更高。DeepSeek 的实验表明，同等激活参数下细粒度专家效果更好。

Q4：Shared Expert 的作用是什么？

秒答：共享专家（DeepSeek 首创）始终被激活，负责处理所有 token 共有的通用知识（如语法、常识）。路由专家只需学习专业化知识。这解决了信息冗余问题——没有共享专家时，每个路由专家都要学习通用知识，浪费容量。

模块六：Scaling Laws | 模型规模的科学

6.1 核心概念

Kaplan（2020）：增大模型比增加数据更高效。训练大而短的模型。

$L(N) = (N_c / N)^{\alpha_N}, \quad \alpha_N \approx 0.076$

Chinchilla（2022）：模型和数据应等比例增长。$N$和$D$的最优比例约 1:20。

$L(N, D) = E + \frac{A}{N^\alpha} + \frac{B}{D^\beta}, \quad \alpha \approx 0.34, \beta \approx 0.28$

最优分配：$N_{opt} \propto C^{0.5}$，$D_{opt} \propto C^{0.5}$（$C$=总计算预算）。

Over-Training 趋势（2024-2026）：故意用远超最优比例的数据训练小模型。

Emergent Abilities（涌现能力）

某些能力在小模型上完全不存在，模型规模超过某个阈值后突然出现：

• CoT 推理：~100B 参数后出现
• 多步数学推理：~50B 参数后出现
• 自我纠错：~100B 参数后出现

争议（Schaeffer et al., 2023）：涌现可能是评估指标的幻觉——用连续指标替代离散指标后，性能增长是平滑的。

6.2 面试考点精讲

Q1：Kaplan 和 Chinchilla 的核心区别？

秒答：Kaplan 建议模型优先，Chinchilla 建议等比增长。Chinchilla 更正确。

Q2：为什么流行 Over-Training？

秒答：推理成本>>训练成本。小模型推理便宜，多花训练计算让小模型极致，总 ROI 更高。

Q3：Scaling Laws 对模型训练的具体指导意义？

秒答：(1) 预算分配——给定计算预算，确定最优模型大小和数据量；(2) 性能预测——用小规模实验预测大模型的最终 loss；(3) 超参迁移——μP 可以从小模型直接迁移学习率等超参；(4) ROI 估算——评估增大模型/数据的边际收益。

Q4：涌现能力真的存在吗？批评观点是什么？

秒答：Schaeffer et al.（2023）认为涌现是评估指标的幻觉——当用精确匹配等离散指标衡量时，小模型部分正确的回答被计为 0 分，造成突变假象。改用连续指标（如 BLEU、token-level accuracy）后，性能增长是平滑的。但反对观点认为：对于需要完整推理链的任务（如多步数学），离散指标才能反映真实能力。

模块七：Tokenizer | 大模型的语言入口

7.1 核心概念

BPE 训练伪代码

Input: 训练语料，目标词表大小 V
1. 初始化词表 = 所有字节 (256 个) + 特殊 token
2. while |词表| < V:
3.     统计语料中所有相邻 token 对的频率
4.     找到频率最高的 pair (a, b)
5.     将所有 "a b" 替换为 "ab"
6.     将 "ab" 加入词表
7. return 词表 + 合并规则

Unigram 模型（与 BPE 对比）

Unigram 从大词表开始，反复删除对整体似然影响最小的 token：

• 初始化：收集所有高频子串构成超大候选词表
• 打分：每个候选词的 unigram 概率 $P(x_i) = \frac{count(x_i)}{\sum_j count(x_j)}$
• 分词：对输入文本用 Viterbi 算法找最大概率分词
• 裁剪：删除贡献最小的 10-20% 候选词，重新估计概率
• 重复直到达到目标词表大小

各模型词表大小对比

7.2 面试考点精讲

Q1：BPE 和 WordPiece 区别？

秒答：BPE 按频率选择合并，WordPiece 按似然增益。BPE 更简单。

Q2：为什么用 Byte-level BPE？

秒答：以字节为基础天然支持任何语言，无 OOV 问题。

Q3：如何为特定领域扩展 Tokenizer？

秒答：(1) 收集领域文本训练新词表；(2) 将新词表与原词表合并（取并集或增量训练）；(3) 扩大 Embedding 层（新 token 随机初始化或用子词平均值初始化）；(4) 需要 continue pre-training 让模型学会新 token 的语义。注意不要改变原有 token 的编码。

Q4：Tokenizer 对多语言支持的影响？

秒答：词表中覆盖的语言越多，各语言的编码效率都会降低（fertility 增大）。解决方案：(1) 用超大词表（Qwen 的 151K）；(2) 增加目标语言训练数据在 BPE 训练中的比例；(3) 确保字节级覆盖作为 fallback。一个中文效率差的 Tokenizer 会让模型推理速度慢 2-3 倍。

模块八：模型选型指南 | 面试中如何回答选什么模型

8.1 选型决策树

需要最强性能？→ GPT-4o / Claude / Gemini
需要本地部署？
├── 多卡 (80GB+) → DeepSeek-V3 / LLaMA-405B
├── 单卡 80GB → LLaMA-70B-Q4 / Qwen-72B-Q4
├── 单卡 40-48GB → LLaMA-70B-Q2 / Qwen-14B
├── 单卡 24GB → LLaMA-8B / Qwen-7B
└── 单卡 16GB → Qwen-7B-Q4 / Phi-3-mini

按场景选型对比

开源模型推理显存估算

8.2 面试考点精讲

Q1：为中文客服系统选基座模型？

秒答：Qwen-2.5 或 DeepSeek，中文强且开源可微调。7B-14B 通常够用。

Q2：Dense 和 MoE 怎么选？

秒答：显存充足选 MoE（性能好），显存有限选 Dense（部署简单）。

Q3：如何评估一个模型是否适合你的业务？

秒答：四步评估法：(1) 在公开 benchmark 上初筛（MMLU、HumanEval 等）；(2) 构建业务评测集（50-200 条典型 query），人工评分；(3) 测试推理延迟和吞吐量，确认满足 SLA 要求；(4) 评估微调潜力——用少量业务数据做 LoRA 微调看提升幅度。不要只看公开榜单，业务评测集的排名经常和公开排名不同。

Q4：开源 vs 闭源模型的选择考量？

秒答：选闭源（GPT-4/Claude）的理由——性能最强、无需运维、按量付费起步低。选开源的理由——数据隐私可控、可微调定制、长期成本低（日调用量>10 万时）、不依赖外部服务。折中方案：用闭源模型建立 baseline 和标注数据，训练开源模型替代。

全章总结

下一章预告：第 3 章《预训练全流程深度解析》深入预训练的每个环节。