第514章 用steamdeck安装AI大模型的体验gpt4all（第3页）

is

all

you

need"

中被介绍。

transformer

基于自注意力机制，这使它们能够捕获长距离依赖关系并在序列中建模复杂的模式。

自注意力机制：transformer

的核心是自注意力机制，它允许模型衡量每个输入标记与序列中每个其他标记的关系的重要性。

这是通过使用三个可学习的向量实现的，分别称为查询向量（q）、键向量（k）和值向量（v）。

自注意力机制计算每对标记之间的注意力分数，然后用于生成值向量的加权和。

多头注意力：transformer

使用多头注意力来捕捉输入序列的不同方面。

多头注意力层中的每个

"

头"

都独立执行自注意力，并生成自己的输出。

这些输出然后被连接并线性转换以创建多头注意力层的最终输出。

看到这里，你可能已经怒了

——

有这么比的吗？！

你拿一个如此精致的小模型

gpt4all（70b）跟

gpt-4

这样的大怪物去比。

gpt-4

胜之不武，我为

gpt4all

鸣不平！

且慢恼怒，我想表达的意思是这样的：如果一个模型真的能达到蒸馏浓缩的作用，那么显然体积的显着减小是重大优势，毕竟这意味着训练和应用成本降低，速度显着提升。

但如果模型缩小以后在解决问答、解释和编程能力上和大模型相比差距显着，那么我们就不能武断地说小模型「性价比」更高了。

有研究证实过在「有人类调教的情况下」，60

亿参数的小模型甚至可以在某些任务上面击败

1750

亿参数的大模型

（ouyang

et

al.

本章未完，点击下一页继续阅读