推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

参数量规模扩展-核心逻辑.docx

更新时间:2026-08-16 19:31:10 大小:17K 上传用户:江岚查看TA发布的资源 标签:参数量规模扩展大模型Transformer深度学习模型性能 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

参数量规模扩展

一、参数量规模扩展的定义与发展历程

参数量规模扩展指的是人工智能大模型在开发迭代过程中,不断增加模型可训练参数总量的技术演进方向,是近年来深度学习领域推动模型性能提升的核心路径之一。从早期小规模神经网络的百万级参数量,到当前生成式AI大模型的千亿级、万亿级参数量,参数量规模扩展始终伴随着深度学习性能天花板的不断突破。

回顾发展历程,参数量扩展大致可以分为四个阶段:第一阶段是2012AlexNet诞生前的萌芽期,此时受限于算力和数据,神经网络参数量多在百万级以内,深度模型尚未成为主流;第二阶段是2012-2018年的成长期,随着ImageNet竞赛中AlexNet的成功,卷积神经网络和循环神经网络快速发展,参数量逐步提升至千万级到亿级,代表模型比如VGG16参数量约为1.38亿;第三阶段是2018BERT诞生后的起飞期,Transformer架构的普及彻底打开了参数量扩展的空间,BERT-Large参数量达到3.4亿,随后GPT-2将参数量提升到15亿,2020GPT-3直接将参数量推高至1750亿,正式进入千亿参数时代;第四阶段是2021年至今的爆发期,全球科技公司纷纷推出超大规模大模型,参数量突破万亿级,比如Google PaLM参数量达到5400亿,GPT-4预估参数量超过1万亿,国内智源悟道、百度文心一言也推出了千亿甚至万亿级参数的大模型。


部分文件列表

文件名 大小
参数量规模扩展-核心逻辑.docx 17K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载