【科普】现在LLM 的大小为什都设计成6/7B、13B和130B几个档次？

能下载到的模型普遍都是6/7B(小)、13B(中)、大(130B) 三种，比如ChatGLM 和Llama2 等。这个在数学上有什么讲究吗？

答案很简单，模型大小的设计主要是为了匹配显存。

6B参数的模型可以在12G、16G或24G显存的消费级显卡上进行部署和训练。如果一个公司的模型不打算在消费级显卡上部署，通常不会选择训练6B规模的模型。此外，还有一些1.4B或2.8B参数的模型，这些模型大小适合在手机、车载端进行量化部署。

13B模型在使用4k长度的数据进行训练时，数据并行度为2，刚好可以充分利用一个8卡机的显存，并且可以量化部署在A10甚至是4090显卡上。

更大规模的模型不仅限于130B。目前，常见的更大模型包括16B、34B、52B、56B、65B、70B、100B、130B、170B和220B等。这些模型的规模设计基本上是为了刚好匹配某种规格的算力，无论是用于训练还是推理。如果需要加快训练速度，只需倍增显卡数量即可。例如，我们训练7B模型时以8卡为单位，使用8x8卡进行训练；而训练70B模型时则以80卡为单位，使用80x6卡进行训练。

将大语言模型设计成6/7B、13B和130B等几个档次，是在性能、计算资源、应用场景、训练调优、市场需求和研究实验等多方面综合考虑的结果。这种设计方法不仅满足了多样化的需求，还促进了技术的进步和市场的竞争。以下是一些原因和考量：

1. 性能与计算资源的平衡

• 计算资源限制：较大的模型（如130B参数）需要更多的计算资源和存储空间。设计成不同档次可以平衡性能和计算资源的需求，满足不同应用场景的要求。

• 性能提升：随着参数量增加，模型的性能和生成能力通常会提升，但这种提升有时会出现边际效益递减。通过选择几个典型的档次，可以在性能和资源间找到最佳平衡点。

2. 应用场景的多样性

• 小模型应用：6/7B参数的模型适合部署在资源受限的环境中，如移动设备或需要低延迟响应的应用。

• 中等规模模型应用：13B参数的模型提供了较好的性能与资源消耗平衡，适合大多数中型应用场景。

• 大模型应用：130B参数的模型用于需要最高生成质量和复杂任务的场景，如高端研究和企业级应用。

3. 训练与调优的便利

• 渐进训练：通过从较小的模型开始，然后逐步训练更大的模型，可以更有效地利用计算资源，并逐步优化模型性能。

• 调优过程：不同大小的模型允许在不同阶段和需求下进行针对性调优，提升整体系统效率。

4. 市场需求与竞争

• 多样化需求：市场上有不同的需求，从个人开发者到大型企业，各种规模的模型可以满足不同的用户群体。

• 竞争策略：不同大小的模型可以覆盖更多市场，增强竞争力，吸引更多用户和客户。

5. 研究与实验目的

• 对比研究：通过设置不同大小的模型，可以进行对比研究，了解参数量对模型性能的影响，帮助优化模型设计。

• 实验验证：不同大小的模型可以用于验证理论假设和实验结果，推动

最新消息：利用AI大模型、数字人技术，培育消费新增长点

6月24日，国家发改委携手农业农村部、商务部、文化和旅游部及市场监管总局，共同发布了《关于打造消费新场景培育消费新增长点的措施》。

《措施》围绕餐饮消费、文旅体育消费、购物消费、大宗商品消费、健康养老托育消费和社区服务消费等方面制定了一系列政策举措。

其中，在拓展购物消费体验方面，《措施》鼓励在确保透明度和严格监管的前提下，采用AI大模型、VR全景技术和数字人等前沿科技，拓宽电商直播边界。

对于电子产品消费新场景，强调增强柔性屏、AI助手及端侧大模型等技术的集成，优化人机互动体验。同时，推动智能穿戴设备的多元化应用，扩大智能机器人在娱乐、教育等领域的功能，并积极探索基于AI大模型的人形机器人的开发。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】