新智元報道

編輯：KingHZ

從GPT-2到Llama 4，大模型這幾年到底「胖」了多少？從百億級密集參數到稀疏MoE架構，從閉源霸權到開源反擊，meta、OpenAI、Mistral、DeepSeek……群雄割據，誰能稱王？

從傳統稠密架構到如今流行的稀疏專家模型（MoE），語言大模型發展突飛猛進：

最初參數量只有百億級別，而現在即便僅激活的參數，也已達數百億！

從百億到萬億，參數膨脹的背后，是AI界對Scaling Law的「信仰」。

自2019年GPT-2發布以來，大語言模型（LLM）在參數規模、訓練數據量和模型架構上不斷實現飛躍。

大模型到底有多大？從2019年到現在，大模型到底經歷了什么樣的「體重暴漲」？

Github網友rain-1手動總結了基礎模型趨勢，「不含任何AI生成成分」。他還表示：

近年來，語言模型波瀾壯闊，宏大深遠。

所記述的不過是其中一個微小片段，如同管中窺豹，可見一斑。

本文旨在客觀呈現大語言模型的規模信息。不涉及泄露信息或坊間傳聞，僅聚焦基礎模型（即原始文本續寫引擎，而非ChatBot）。

AI模型參數量呈指數級增長

大模型來時路之GPT系列

OpenAI走向「CloseAI」

主要分為2大階段：早期密集模型和中期轉型與保密期。

早期密集模型（2019-2020）：

GPT-2家族：參數從137M到1.61B，訓練數據約10B tokens。

GPT-3（175B）：首個真正意義上的「大模型」。

中期轉型與保密期（2022-2023）：

GPT-3.5和GPT-4：未公布參數或數據規模，信息高度保密。

具體而言，GPT-2（2019年）參數規模：

GPT-2-small：1.37億參數

GPT-2-medium：3.8億參數

GPT-2-large：8.12億參數

GPT-2-xl：16.1億參數

訓練數據基于未公開的WebText數據集，約40GB互聯網文本，估計約100億token。

2020年，OpenAI發布GPT-3，代號davinci/davinci-002，參數規模為1750億（175.0B）。

鏈接：https://www.lesswrong.com/posts/3duR8CrvcHywrnhLo/how-does-gpt-3-spend-its-175b-parameters

訓練數據約4000億token，來源包括CommonCrawl、WebText2、Books1、Books2和Wikipedia。

具體數據來源信息，參考下列論文。

論文鏈接:https://arxiv.org/abs/2005.14165

GPT-3訓練耗時數月，動用了數萬塊A100GPU的數據中心算力。

2022-2023年，GPT-3.5&GPT-4官方未公開架構細節、訓練數據規模等信息。

之后。OpenAI一度成為高度保密的「黑箱」。而開源模型，特別是LLaMA家族「水漲船高」：

從7B到65B，其中65B使用1.4T tokens訓練；

LLaMA 3.1達到405B參數、3.67T tokens數據，是開源領域的一個轉折點。

大模型來時路之Llama系列

Llama初代版本規模7B、13B、33B、65B參數。

訓練數據方面，官方確認采用了Books3數據集。65B版本預訓練使用了1.4萬億（1.4T）token的數據集。

2024年，meta開源Llama-3.1 405B，參數規模高達4050億，采用密集Transformer架構（即推理時所有參數均參與計算）。

訓練數據方面，meta未詳細披露數據源，僅模糊表述為「來自多種知識來源的混合數據」，共消耗了約3.67萬億token：

初始預訓練：2.87萬億token

長上下文訓練：8000億token

退火訓練（Annealing）：4000萬token

論文鏈接：https://arxiv.org/abs/2407.21783

他們還有項關鍵發現：

實驗表明，在核心基準測試中，對小規模高質量代碼和數學數據進行退火訓練（Annealing），可顯著提升預訓練模型的表現。

但網友本人對當前流行的「Benchmax退火預訓練」趨勢表示遺憾——

它使得基礎語言模型逐漸偏離了「初心」——純粹的文本續寫引擎定位。

這種優化本該屬于后訓練階段（即讓模型扮演「AI聊天助手」角色的過程），但企業顯然更看重benchmark分數的短期提升。

2025，meta推出Llama-4系列，其中2萬億參數巨獸「Behemoth」，或永不面世。

Llama4系列中的旗艦大模型Behemoth，是參數總量達2萬億的稀疏專家模型（MoE），架構為A288B 16E——即具備2880億激活參數、共計16個專家模塊，但尚未公開發布

Llama4的Maverick和Scout模型都是從這款大模型中蒸餾而來。然而，圍繞這些輕量版本，卻爆發了一場丑聞——

meta（原facebook）被曝在lmarena基準測試平臺上「作弊」：

此舉被外界視為學術不端，嚴重打擊了外界對Llama團隊的信任。此后，，至今不明這款2T模型是否還有問世的可能。

至于已經發布的Llama4小模型，盡管打著「繼承大模型精華」的旗號，但目前普遍評價是：智能水平較低，難堪大用。

大模型荒原時代

曾經，AI界一度陷入「大模型荒原」——其他模型無法與GPT-3匹敵。

大家只能反復微調LLaMA等小模型，試圖追趕GPT-3留下的龐大身影。

但這種「用AI訓練AI」的做法，也讓模型性能陷入惡性循環。

Llama 405B模型的發布堪稱轉折點。在此之前，Mistral發布了2款混合專家模型：

2023年12月，推出Mixtral 8x7B（混合專家模型）。

2024年4月，升級發布Mixtral-8x22B（總參數量141B，實際激活參數39B的稀疏混合專家模型）。

Mixtral-8x22B盡管不是GPT-3那樣的密集模型，但總參數量級已與GPT-3（175B）相當。

混合專家MoE架構的革命性在于，它讓普通研究者也能訓練和使用超大規模的模型——不再需要動用成千上萬張GPU組成的計算集群。

2023末，稀疏MoE架構的興起：Deepseek V3等接踵而來。

在參數總量遠超GPT-3的同時，MoE模型激活參數維持在幾十B級別，從而降低推理成本。

這些LLM支持多語言、多模態，并采用更大上下文窗口（32K~256K tokens）。有的新模型還采用「退火」式后訓練，提升特定基準測試上的表現。

MoE熱潮來襲

群雄并起，誰主沉浮？

2024年圣誕節次日，DeepSeek發布了震撼之作——V3 base。官網如此描述：

V3新特性

6710億MoE參數

370億激活參數

基于14.8萬億高質量token訓練

這不僅實現了模型規模的巨大飛躍，衍生的R1推理模型更讓業界驚艷——

R1可能是首個真正達到GPT-4水平，而且可自由下載使用的模型。

稀疏的不是能力，是讓計算更精準地對焦。

此次突破掀起了MoE大模型的訓練熱潮，尤其在中國市場。值得注意的是，這些新模型普遍具備多模態、多語言能力，訓練數據維度大幅拓展。

代表性模型巡禮：

1.Databricks DBRX（2024年3月）

架構：1320億總參/360億激活/12萬億token訓練

創新點：采用16選4的細粒度專家系統（相較Mixtral-8x7B的8選2架構更精細）

2.Minimax-Text-01（2025年1月）

架構：4560億總參/459億激活

特色：創新性融合注意力機制與MoE架構

質量控制：采用前代60億參數MoE模型進行數據標注

3.Dots.llm1（2025年6月）

亮點：128選6超細粒度專家系統+2個常駐專家

成就：不使用合成數據即達到Qwen2.5-72B水平

技術：引入QK-Norm注意力層優化

4.混元（2025年6月）

突破：20萬億token訓練/256K上下文窗口

架構：8專家動態激活+1個常駐共享專家

5.文心4.5（2025年6月）

規模：4240億總參/470億激活

特點：多模態基座模型

訓練：基于「數萬億」token（具體數據未披露）

尾聲

未來在哪里？

在很長一段時間內，市面上幾乎沒有與GPT-3規模相同的LLM可供使用。

由于缺乏可下載的同等級模型，人們很難復現GPT-3的性能。

而且坦率地說，人們當時并沒有真正意識到：要想要達到GPT-3的表現，模型的規模必須接近1750億參數。

當時能拿來用的，最多也只是LLaMA系列中參數不超過700億的模型，大家也只能靠這些湊合著用。

而目前，網友rain所知的最新、最大的可用稠密基礎模型有4050億參數。在預訓練中，它使用了更近時段的數據（包括人們討論大語言模型、分享模型對話記錄的內容），而且模型本身也經過「退火」（annealing）處理。

因此相比以往那些基礎模型，它更像已經初步具備助手特性的系統。

最近一批稀疏專家模型（MoE）也有類似的問題，并且這些模型在訓練數據中還融入了一些中文文化元素。

要怎么公平地比較稀疏模型（MoE）和致密模型，目前還沒有明確標準。

也許大語言模型的一些高級能力，只有在模型足夠深、結構足夠密集時才會顯現出來。而現有的自動評測指標，可能并不能很好地捕捉這些能力。所以現在很多人索性一頭扎進了MoE模型的研發中。

一些新模型也在嘗試采用新的網絡架構（比如RWKV、byte-latent、bitnet）或者使用合成數據生成的新方法。

不過，要打造一個優秀的文本生成引擎，目前還不清楚這些新技術到底有多大幫助。

網友rain說得直接：文本生成引擎才是一切的基礎。

沒有優秀的文本續寫能力，后續的微調、角色扮演都只是空中樓閣。

在「助手化」狂潮之外，也許是時候重新思考——

我們真的理解基礎模型的本質了嗎？

參考資料：

https://gist.github.com/rain-1/cf0419958250d15893d8873682492c3e