万亿参数狂欢！一文刷爆2025年七大顶流大模型架构

从GPT-2到DeepSeek-V3和Kimi K2，架构看似未变，却藏着哪些微妙升级？本文深入剖析2025年顶级开源模型的创新技术，揭示滑动窗口注意力、MoE和NoPE如何重塑效率与性能。

从最初的GPT架构问世以来，已经过去七年了。

回顾2019年GPT-2，再看2024-2025年的DeepSeek-V3和Llama 4，你会发现，这些模型的结构依然惊人地相似。

当然，位置嵌入已从绝对位置编码演变为旋转位置编码（RoPE），多头注意力（Multi-Head Attention）大多被分组查询注意力（Grouped-Query Attention）取代，更高效的SwiGLU激活函数也逐渐取代了GELU。

但在这些细微改进之下，我们真的见证了突破性的变化吗？还是只是在打磨相同的架构？

图1 本文提到的模型架构

本文没有聚焦于基准测试性能或训练算法，而是关注当今旗舰开源模型的架构发展。

研究这些架构本身的结构变化仍然具有很大价值，可以追踪2025年LLM研究者的最新动态。

DeepSeek V3/R1

DeepSeek R1在2025年1月发布时引起了巨大反响。

R1是一个基于DeepSeek V3构建的推理模型，DeepSeek V3于2024年12月首次亮相。

本节重点介绍DeepSeek V3中引入的两种关键架构技术，这显著提升了计算效率：

1.多头潜在注意力（Multi-Head Latent Attention, MLA）

2.混合专家模型（Mixture-of-Experts, MoE）

多头潜在注意力

先从分组查询注意力（Grouped-Query Attention, GQA）说起。

近年来，GQA已成为替代多头注意力（Multi-Head Attention, MHA）的新标准，因为在计算和参数效率上表现更优。

传统的MHA中，每个注意力头都有自己独立的键和值。

而GQA为了降低内存占用，会将多个注意力头分组，让它们共享相同的键和值投影。

举个例子（如下图2所示），假如有2个键-值组和4个注意力头，那么头1和头2会共享一组键和值，头3和头4共享另一组。

这样就减少了键和值的计算总量，从而降低了内存使用量，提高了效率。

根据消融研究，这种方式在不明显影响模型性能的情况下实现了更高的效率。

图2 MHA与GQA的比较，组大小为2，其中两个查询共享一个键值对

GQA 的核心思想是通过让多个查询头共享键和值来减少键和值头的数量。这带来了两个好处：

1.降低了模型的参数量；

2.推理过程中减少了键和值张量的内存带宽使用，因为需要存储和从键值缓存中检索的键和值更少。

虽然GQA主要是为了提升MHA的计算效率，但消融研究表明，GQA在语言模型性能上与标准的MHA表现相当。

多头潜在注意力提供了一种不同的内存节省策略，尤其适合与键-值缓存搭配使用。

与GQA通过共享键和值头不同，MLA的方法是将键和值张量压缩到一个低维空间，然后再存储到键值缓存中。

在推理时，这些压缩的张量会在使用前被投影回原始尺寸，如图3所示。

虽然会增加一次额外的矩阵乘法，但显著降低了内存使用量。

图3 MLA工作流程（用于DeepSeekV3和R1）与常规MHA的比较

顺便提一句，查询在训练时也会被压缩，但在推理时不会。

MLA并不是DeepSeek V3首创的技术，它的前身DeepSeek-V2就已经引入了这种技术。

此外，DeepSeek-V2论文中包含了一些有趣的消融研究，解释了为什么DeepSeek团队选择MLA而不是GQA。

图4 DeepSeek-V2论文中的表格，来自https://arxiv.org/abs/2405.04434

如图所示，GQA的表现似乎不如MHA，而MLA在建模性能上优于MHA。

MLA是一种能减少键值缓存的内存使用量的技巧，同时在建模性能上略胜MHA一筹。

专家混合模型（MoE）

DeepSeek的另一个值得关注的架构组件是其使用的专家混合（Mixture-of-Experts, MoE）层。

MoE的核心思想是将Transformer中的每个前馈网络（FeedForward）模块替换为多个专家层，而每个专家层本身也是一个前馈网络模块。

简单来说，就是用多个前馈网络块替换单个前馈网络块，如下图所示。

图5 DeepSeek V3/R1中的MoE模块（右）与标准前馈网络模块（左）

因此，用多个前馈网络模块替换单一前馈网络模块，会显著增加模型的总参数量。

关键的技巧在于，不会为每个token激活所有专家。相反，一个router会为每个token选择一小部分专家。

由于每次只激活少数专家，MoE模块通常被称为「稀疏」模块。

通过MoE增加的大量总参数提升了模型的容量，这意味着模型在训练时可以吸收更多知识。

而稀疏性则保证了推理的高效，因为不会同时使用所有参数。

例如，DeepSeek-V3每个MoE模块有256个专家，总计671B参数。但在推理过程中，每次只激活9个专家。

这意味着每次推理步骤只使用37B参数，而不是全部参数。

DeepSeek-V3的MoE设计中一个特点是使用了一个共享专家。这个共享专家对每个token始终保持激活。

图6 来自DeepSeekMoE论文，https://arxiv.org/abs/2401.06066

研究发现，与没有共享专家的情况相比，共享专家能提升整体建模性能。

DeepSeek-V3是一个拥有671B参数的超大规模模型，在发布时超越了其他开源模型，包括405B参数的Llama 3。

尽管参数量巨大，但得益于MoE架构，DeepSeek-V3在推理时的效率非常高，每个token仅激活一小部分参数。

另一个关键的区别是DeepSeek-V3使用了多头潜在注意力（MLA）而非分组查询注意力（GQA）。

MLA和GQA都是比标准多头注意力（MHA）更高效的替代方案，尤其是在使用键值缓存时。

尽管MLA的实现更复杂，但DeepSeek-V2论文中的研究表明，MLA的建模性能优于GQA。

Kimi 2

Kimi 2最近在AI社区引发了巨大反响，因为它是一个性能卓越的开源权重模型。

根据基准测试，Kimi 2的表现可与顶尖模型（如Gemini、Claude和ChatGPT）相媲美。

优化器创新：Muon而非AdamW

一个值得注意的亮点是Kimi K2使用了一种相对较新的优化器Muon的变体，而非业界标准的AdamW。

这是Muon首次在如此大规模的生产模型中取代AdamW。

这带来了非常平滑的训练损失曲线，这很可能帮助Kimi K2在上述基准测试中名列前茅。

Kimi K2模型拥有1万亿个参数，规模令人震撼。

Kimi K2的出现并非偶然，它基于本文开头讨论的DeepSeek-V3架构，只是规模更大，如下图所示。

图7 DeepSeek V3与Kimi K2的架构对比

Kimi K2的架构与DeepSeek V3基本相同，区别在于它在专家混合（MoE）模块中使用了更多的专家，并在多头潜在注意力（MLA）模块中减少了注意力头的数量。

Kimi K2并非横空出世。此前的 Kimi 1.5模型也表现不俗。

然而，Kimi 1.5不幸与DeepSeek R1的论文在同一天发布。

因此，Kimi K2团队很可能吸取了这些教训，在DeepSeek R2发布之前，将Kimi K2作为开源权重模型发布。

截至本文撰写时，Kimi K2是最令人印象深刻的开源权重模型。

Qwen3

Qwen团队始终在提供高质量的开源LLM，位列排行榜前列。

Qwen3包括7个密集模型：0.6B、1.7B、4B、8B、14B和32B，以及2个专家混合模型：30B-A3B和235B-A22B。

Qwen3（Dense）

Qwen3 0.6B模型可能是当前一代开源模型中参数量最小的。

尽管规模小，但模型性能非常出色。如果在本地运行，它具有很高的token/秒吞吐量和低内存占用。

此外，由于其小规模，它也非常适合本地训练（例如用于教育目的）。

因此，Qwen3 0.6B已经取代了Llama 3 1B，成为大多数用途的首选模型。

以下是这两种架构的对比图。

图8 Qwen3 0.6B与Llama 3 1B的架构对比

Qwen3整体架构较小，隐藏层更小，注意力头更少，因此内存占用较小。

然而，它使用了比Llama 3更多的Transformer模块，这导致运行速度较慢（生成token/秒的速度较低）。

Qwen3（MoE）

Qwen3还推出了两种专家混合模型变体：30B-A3B和235B-A22B。

MoE变体有助于降低大模型的推理成本，针对推理的扩展性进行了优化。

在固定的推理预算下，MoE模型可以实现更高的模型容量，而不会成比例增加推理成本。

通过同时发布这两种类型的模型，Qwen3系列能够支持更广泛的用例：密集模型适用于稳健性、简单性和微调，而MoE模型则适合大规模高效推理。

图9 DeepSeek-V3与Qwen3 235B-A22B的架构对比

Qwen3模型放弃了使用共享专家。团队没有透露放弃共享专家的具体原因。

OLMo 2

由非营利组织Allen人工智能研究所开发的OLMo系列模型，因其在训练数据和代码的透明度而备受关注。

OLMo模型因透明度而广受欢迎，它们的性能也并不差。

1月份发布时，OLMo 2在计算成本与性能的Pareto frontier上表现突出，如图所示。

图10 不同大模型的建模基准性能与预训练成本的对比，来自OLMo 2论文 https://arxiv.org/abs/2501.00656

OLMo 2有哪些有趣的架构设计呢？

主要集中在normalization：RMSNorm层的位置以及新增的QK-Norm。

规范化层的位置

OLMo 2的架构在很大程度上沿袭了GPT，与其他当代LLM相似。

与Llama、Gemma一样，OLMo 2从LayerNorm切换到了RMSNorm。

不过，RMSNorm层的位置值得一提。

在原始Transformer中，两个规范化层分别被放置在注意力模块和前馈网络模块之后。这种方式被称为后规范化。

GPT以及之后的大多数LLM将规范化层放在注意力模块和前馈网络模块之前，这种方式被称为前规范化。

图11 后规范化、前规范化以及OLMo 2版本的后规范化的对比

前规范化在初始化时能产生更稳定的梯度。

此外，前规范化甚至在没有精心设计的学习率预热（learning rate warm-up）的情况下也能表现良好，学习率预热对后规范化来说是至关重要的工具。

OLMo 2采用了一种后规范化的形式（但使用的是RMSNorm而不是LayerNorm，因此称之为Post-Norm）。

在OLMo 2中，规范化层不再放在注意力模块和前馈网络模块之前，而是放在之后。

与原始Transformer不同的是，OLMo 2的规范化层仍然位于残差层内部。

那么，为什么要改变规范化层的位置呢？原因在于这有助于提高训练稳定性。

图12 前规范化（如GPT-2、Llama 3）与OLMo 2的后规范化的训练稳定性对比图

遗憾的是，这同时展示了规范化层重新排列和QK-Norm的效果，因此很难单独判断规范化层位置调整的具体贡献。

QK-Norm

QK-Norm实际上是另一个RMSNorm层。

它被放置在多头注意力（MHA）模块内部，在应用旋转位置编码（RoPE）之前，对查询和键进行规范化。

以下是为Qwen3从头实现的分组查询注意力（GQA）层的代码片段：

class GroupedQueryAttention(nn.Module):
    def __init__(
        self, d_in, num_heads, num_kv_groups,
        head_dim=None, qk_norm=False, dtype=None
    ):
        # ...
        if qk_norm:
            self.q_norm = RMSNorm(head_dim, eps=1e-6)
            self.k_norm = RMSNorm(head_dim, eps=1e-6)
        else:
            self.q_norm = self.k_norm = None
    def forward(self, x, mask, cos, sin):
        b, num_tokens, _ = x.shape
        # Apply projections
        queries = self.W_query(x) 
        keys = self.W_key(x)
        values = self.W_value(x) 
        # ...
        # Optional normalization
        if self.q_norm:
            queries = self.q_norm(queries)
        if self.k_norm:
            keys = self.k_norm(keys)
        # Apply RoPE
        queries = apply_rope(queries, cos, sin)
        keys = apply_rope(keys, cos, sin)
        # Expand K and V to match number of heads
        keys = keys.repeat_interleave(self.group_size, dim=1)
        values = values.repeat_interleave(self.group_size, dim=1)
        # Attention
        attn_scores = queries @ keys.transpose(2, 3)
        # ...

QK-Norm结合后规范化能稳定训练过程。

OLMo 2的亮点主要集中在RMSNorm的位置调整：将RMSNorm放置在注意力模块和前馈网络模块之后，以及在注意力机制中对查询和键添加RMSNorm（即QK-Norm）。

这两者结合有助于稳定训练过程中的损失，下图进一步对比了OLMo 2和Llama 3的架构。

除了OLMo 2仍然使用传统的多头注意力（MHA）而非分组查询注意力（GQA）外，两者的架构相似。

图13 Llama 3与OLMo 2的架构对比

Gemma 3

与Llama等热门模型相比，谷歌Gemma似乎被低估了。

Gemma的显著特点是其超大的词汇量，以及对27B模型的特别重视。

Gemma 3也提供了更小规模的版本：1B、4B和12B。

27B模型恰好达到了一个非常理想的平衡点：它的能力远超8B模型，但又不像70B模型那样需要大量计算资源。在Mac Mini上运行27B模型完全没有问题。

Gemma 3还有什么有趣的地方呢？

正如之前讨论的，DeepSeek-V3/R1采用了专家混合架构，通过推理时只激活部分参数来降低内存需求。

Gemma 3则使用了另一种方法来降低计算成本，即滑动窗口注意力（sliding window attention）。

滑动窗口注意力

滑动窗口注意力让Gemma 3团队大幅降低了键值缓存的内存需求，如下图所示。

图14 Gemma 3论文（https://arxiv.org/abs/2503.19786）通过滑动窗口注意力实现的键值缓存内存节省

如果把常规的自注意力（self-attention）看作一种全局注意力机制（因为每个序列元素可以访问所有其他序列元素）。

那么滑动窗口注意力可以看作一种局部注意力机制，它限制了当前查询位置周围的上下文范围。

图15 常规注意力（左）与滑动窗口注意力（右）的对比

滑动窗口注意力可以与多头注意力（MHA）和分组查询注意力（GQA）一起使用；Gemma 3使用的是分组查询注意力。

如上所述，滑动窗口注意力也被称为局部注意力，因为局部窗口会围绕当前查询位置并随其移动。

相比之下，常规注意力是全局的，因为每个token都可以访问所有其他token。

Gemma 2也已经使用了滑动窗口注意力。

Gemma 3的不同之处在于调整了全局注意力（常规注意力）和局部注意力（滑动窗口）的比例。

Gemma 2使用了一种混合注意力机制，将滑动窗口（局部）注意力和全局注意力以1:1的比例结合，每个token可以关注附近4096个token的上下文窗口。

在Gemma 3中，这一比例调整为5:1，即每5个滑动窗口（局部）注意力层才有一个全局注意力层；此外，滑动窗口的大小从Gemma 2的4096缩小到Gemma 3的1024。

这使得模型更专注于高效的局部计算。

根据消融研究，使用滑动窗口注意力对模型性能的影响微乎其微，如图所示。

图16 Gemma 3论文（https://arxiv.org/abs/2503.19786）显示滑动窗口注意力对模型输出的困惑度（perplexity）几乎没有影响

Gemma3规范化层位置

Gemma 3在其分组查询注意力（GQA）模块周围同时使用了前规范化和后规范化的RMSNorm设置。

这与Gemma 2的做法类似，但仍值得强调，因为它与以下情况不同：

1.原始Transformer使用的后规范化（Post-Norm）；

2.GPT-2推广并被许多后续架构采用的前规范化（Pre-Norm）；

3.之前提到的OLMo 2中使用的后规范化变体。

图17 OLMo 2与Gemma 3的架构对比；注意Gemma 3中额外的规范化层

Gemma 3是一款性能优异的开源LLM，它在开源社区中有些被低估。

最引人注目的是使用滑动窗口注意力来提高效率（未来与专家混合模型MoE结合可能会很有趣）。

此外，Gemma 3在规范化层的位置上也有独特的设计，在注意力模块和前馈网络模块前后都放置了RMSNorm层。

Gemma 3n

Gemma 3发布几个月后，谷歌推出了Gemma 3n，这是针对小型设备（如手机）优化的模型。

为了提升效率，Gemma 3n引入的一项变化是所谓的逐层嵌入（Per-Layer Embedding, PLE）参数层。

其核心思想是将模型的一部分参数保留在GPU内存中，而特定于token层的嵌入（例如文本、音频和视觉模态的嵌入）则根据需要从CPU或SSD流式传输。

下图展示了PLE的内存节省效果。

图18 谷歌Gemma 3n博客（https://developers.googleblog.com/en/introducing-gemma-3n/）

另一个有趣的技巧是MatFormer。

例如，Gemma 3n使用单一的共享大型语言模型（Transformer）架构，可以将其切片为更小的、独立可用的模型。

每个切片都经过训练可以独立运行，因此在推理时，可以只运行所需的切片（而不是整个大模型）。

Mistral Small 3.1

Mistral Small 3.1是继Gemma 3之后于3月发布的一款模型，拥有24B参数。

它在多项基准测试中超越了Gemma 3 27B，除了数学任务外表现更优，同时推理速度更快。

Mistral Small 3.1推理延迟较低的原因可能包括：

1.定制分词器（Tokenizer）：优化的分词器可能提高了处理效率。

2.减少KV缓存和层数：通过缩小键值缓存（KV cache）和模型层数，降低了计算和内存需求。

3.标准架构：如下图所示，Mistral Small 3.1采用了较为常规的架构设计。

图19 Gemma 3 27B与Mistral Small 3.1 24B的架构对比

早期Mistral模型曾使用滑动窗口注意力，但Mistral Small 3.1中似乎放弃了这一机制。

Mistral Small 3.1使用的是常规的分组查询注意力，而不是像Gemma 3那样的带滑动窗口的GQA。

这可能带来额外的推理计算节省，因为可以利用更优化的代码。

虽然滑动窗口注意力可以减少内存使用量，但并不一定能降低推理延迟，而Mistral Small 3.1的重点正是优化推理延迟。

Llama 4

Llama 4同样采用了MoE架构，其整体架构与DeepSeek-V3非常相似，如下图所示。

图20 DeepSeek V3（671B参数）与Llama 4 Maverick（400B参数）的架构对比

虽然Llama 4 Maverick的整体架构看起来与DeepSeek-V3非常相似，但仍有一些值得注意的差异。

Llama 4沿用了其前身的分组查询注意力（GQA），而DeepSeek-V3使用了多头潜在注意力（MLA）。

DeepSeek-V3和Llama 4 Maverick都是超大规模架构，但DeepSeek-V3的总参数量比Llama 4大约多68%。

然而，在活跃参数方面，DeepSeek-V3每次推理使用37B个参数，是Llama 4 Maverick（17B活跃参数）的两倍多。

Llama 4 Maverick使用了更经典的MoE设置，专家数量较少但规模较大（每次激活2个专家，每个专家的隐藏层大小为8192）。

而DeepSeek-V3的MoE设置则有更多但较小的专家（每次激活9个专家，每个专家的隐藏层大小为2048）。

此外，DeepSeek-V3在每个Transformer中都使用了MoE层，而Llama 4则在每隔一个Transformer中交替使用MoE和密集模块。

参考资料：

https://magazine.sebastianraschka.com/p/the-big-llm-architecture-comparison

文章来自于微信公众号“新智元”。