不写论文的小透明

分享生活 元宇宙里的小透明 除了推什么也不玩

[不写论文的小透明 @Devilinsuitt]

草泥马 亏得我嗷嗷叫

[不写论文的小透明 @Devilinsuitt]

川普来给大A上一课

[不写论文的小透明 @Devilinsuitt]

川普来给大A上一课

[Bill The Investor @billtheinvestor]

大多数人只是把 OpenAI Codex 当作代码自动补全工具在使用。

OpenAI 的工程师们亲自拆解了他们实际的使用方法，这种干货足以让你少走数周的弯路。

现在就把它收藏起来。

[Oldeng @dengdry]

https://t.co/7KQcWqSq9A

[Jason Zhu @GoSailGlobal]

Stanford CS336 上，Tatsu 讲了一节 LLM 架构课，把过去 3 年所有主流 LLM 拆开，看它们的共通模板

结论挺爆：90% 的架构选择已经收敛，你随便挑一个开源大模型，它跟其他模型在这些维度上几乎一模一样

讲师的原话
- 2024 年大家都在 cosplay Llama2
- 2025 年的主题是「怎么训得不崩」
- 2026 年的主题是「怎么扛住长上下文」

下面是 2026 年开源 LLM 的标准模板 你训自己的模型可以直接抄

【架构层 已经收敛的 7 件事】
1）Layer Norm 挪出残差流（pre-norm）
原版 Transformer 把 LN 放在残差里 几乎所有现代模型都挪到外面
原因：keep your residual stream clean 梯度反传更稳

2）RMS Norm 替代 LayerNorm
LayerNorm 的减均值 + 加 bias 那部分实际没怎么帮上忙
丢掉之后 flops 只省 0.17% 但运行时省到 25%
（瓶颈在数据搬运 计算反而次要）

3）所有 bias 项全删
跟 RMS Norm 一个道理 系统层省内存搬运

4）激活函数用 SwiGLU 或 GeGLU
gated linear unit 几乎所有现代模型都用
Llama 系 / Qwen / Mistral 用 SwiGLU
Google 系（Gemma / T5）用 GeGLU
区别极小 选哪个都行

5）位置编码用 RoPE
2024 年之后基本统一了
原理：把每对维度按位置旋转一个角度 让 inner product 只依赖相对位置

6）Transformer block 串联（不是并联）
GPT-J / Palm 试过并联 现在基本被放弃
串联的实现优化得太好了 并联省的那点系统开销不值得损失表达力

7）Layer norm 可以「撒」
哪儿不稳就在哪儿加 LN
attention 之前能加 之后能加 两边都加（double norm）也可以
现代模型很多这样做

【超参数 已经收敛的 5 个数】
1）feedforward 维度 / hidden 维度
- 非 GLU 模型：4 倍
- GLU 模型：8/3 ≈ 2.67 倍（因为 GLU 多一组矩阵 要保持总参数量）
- Llama 系：3.5 倍
- T5 1.0 试过 64 倍 后来 T5 1.1 改回标准 别学

2）head 数 × head 维度 ≈ hidden 维度
几乎所有模型都遵守 T5 是为数不多的例外

3）模型纵横比（hidden / 层数）≈ 100
太深 pipeline parallel 难做
太宽 表达力受限
100 这个数字是系统约束 + 表达力的平衡点

4）vocab size
单语模型：30K 左右（早期 GPT-2 那种）
多语 / 通用模型：100K-200K（GPT-4 / Llama 3 / Gemma 都在这个范围）
现代基本都是后者

5）weight decay
仍然普遍使用
但研究发现它在 LLM 里干的事其实是优化器干预 让你最终能收敛到更深的最优点
跟你想的「防过拟合」没什么关系
所以别因为「单 epoch 不会过拟合」就把它关掉

【稳定性 三个救命 trick】
训练大模型最怕中途 loss 突然飙升 然后 NaN 全军覆没
现代模型用三个 trick 防这件事

1）Z-loss
output softmax 的 normalizer 容易爆
加一个 (log Z)² 的正则项 让 Z 始终接近 1
DCLM / Olmo 都用

2）QK norm
attention 的 Q 和 K 在矩阵乘之前各加一个 LN
让 softmax 的输入永远是单位尺度
multimodal 圈先用起来 现在所有大模型都加

3）Logit soft cap（仅 Google 系）
attention logit 用 tanh 硬封顶
Gemma 2/3/4 都在用 但会损失一点点性能 慎用

【Attention 两个新趋势】
1）GQA（Grouped Query Attention）几乎统一
原版 multi-head 推理时 KV cache 会让算术强度崩到 1/h
GQA 共享 K 和 V 但保留多个 Q
表达力几乎不损失 推理成本砍掉 80%
现在所有要做生产部署的大模型 没有不用 GQA 的

2）局部 + 全局 attention 交替
处理长上下文的新方式
Cohere Command A 起头 现在 Llama 4 / Gemma 4 / Olmo 3 全在用
比如每 4 层有 1 层 full attention 其他 3 层是 sliding window 只看附近的 token
比纯 SSM 更稳 比纯 full attention 便宜得多
（Qwen 3.5 做了变体 把 sliding window 那 3 层换成 SSM）

收尾一句
如果你正在训自己的 LLM，上面这一套就是 2026 年的「默认配置」 不需要重新发明，直接抄

如果你只是想看懂 GitHub 上那些 modeling_xxx.py
这一份足够你不再被术语吓住

[popular cat post @animalsbabyy]

Children are not afraid of people, afraid of me.

[不写论文的小透明 @Devilinsuitt]

😂😂😂

[The Cats 𝕏 @TheCatsX]

OBSESSED

[The Pets 𝕏 @ThePetsX]

Both of them look very cute sleeping together 😍

[Overtime @overtime]

MJ in his happy place 😎 (via yazziero/TT)

[欧opacity @ouopacity]

第三方 API 也可以用上 Claude Desktop 和 Cowork 了！之前只能用官方订阅的账号

1. 打开 Claude Desktop/Cowork，不要登录

2. 点击 菜单栏的Help → Troubleshooting → Enable developer mode 启用开发者模式

3.启用后会看到一个 Developer 菜单，点击 Developer 然后 Configure third-party inference 配置第三方 API

4.填入 Base URL 和 API Key，选择 Apply locally 等待重新启动

启动完之后就可以正常使用了，对于不喜欢用 Cluade Code终端的人来说，GUI 的桌面端非常友好

[Retro Recall (☥𝐃𝐁) @RetroMoviesDB]

The perfect mug doesn't exi...

[不写论文的小透明 @Devilinsuitt]

say my name

[Joe Shmo @JoeShmo2pt0]

Meanwhile...

[不写论文的小透明 @Devilinsuitt]

day3咳嗽一整天 emm 继续

[不写论文的小透明 @Devilinsuitt]

lol

[老季 @XiaoJi0403]

看到好几次了，这真的假的？

[不写论文的小透明 @Devilinsuitt]

lol

[cinesthetic. @TheCinesthetic]

Blade Runner 2049

[不写论文的小透明 @Devilinsuitt]

木有🚬之后 嗓子也别紧 诶赶紧睡觉