但GPT-3模型是2020年发布的，到ChatGPT服务问世还过去了接近三年，这是因为此时的模型在指令遵循方面很差，类似于一个强大的野兽，不受人类控制。最终的测试效果，也证明了扩大参数规模的有效性，GPT-2不再像GPT-1一样需要对输入进行预处理，然后做微调，才能处理特定任务了，直接把在输入基础上用自然语言描述需要做的任务，就能在文本翻译，文本分类等特定任务上去的超过专用模型的效果，这就是所谓的

模型参数，基本没有增加，只有7B,13B,70B三个版本和前代差不多，但是训练数据增加了，从1T增加到2T，这正是Llama-1训练策略的延续数据量有更大的版本了，但仍然保持了小版本，分别有8B,70B，400B版本，对标GPT-4，相比Llama-2性能有了大的飞跃。这得益于训练数据从2T提升到了15T。

投机解码是一种采样方式，先来看模型是如何采样的，模型的最后一层输出是一个长度等于词典大小的向量，表示下一个token是词典中每个词的概率。采样就是根据这个概率向量，选出来下一个token，也就是不会改变模型的推理架构。最简单的采样方式就是谈心采样，每一步都选向量中概率最大的token。也。

大模型推理引擎不会每个请求独立推理，会把一些请求组成一个batch进行批处理，这是推理引擎提升吞吐率的关键。使用批处理后吞吐相比单请求会大幅提升，但还是有个问题，如下图，一个batch=4的批处理，开始推理后，会运行到所有序列推理都结束了才会结束，因此整个batch的推理时间取决于最慢的序列，在这里是第二行的序列，到T8才出现END符号其他序列即使已经推理完了，也只能等着，并且在这个batch结束

一个已经训练好的LLM一般有几十，甚至几百B的参数，想增加数据重新训练的开销是不可接受的，即使是专业计算卡，如果不是大厂的集群，也是训不起来的。我们现在只有一个AMD 48G计算卡，只能尝试LoRA微调来重训模型。LoRA的数学操作是，对于每个要微调的参数矩阵，假设原本是d * d的，我们不去更新这个大矩阵的参数，而是弄两个小矩阵a,b，大小分别为d* r,r * d，r通常很小，比如这里我们设为

大模型推理引擎不会每个请求独立推理，会把一些请求组成一个batch进行批处理，这是推理引擎提升吞吐率的关键。使用批处理后吞吐相比单请求会大幅提升，但还是有个问题，如下图，一个batch=4的批处理，开始推理后，会运行到所有序列推理都结束了才会结束，因此整个batch的推理时间取决于最慢的序列，在这里是第二行的序列，到T8才出现END符号其他序列即使已经推理完了，也只能等着，并且在这个batch结束

NSA 的核心思想是将原本全局的 Attention 分解为三个优势互补的稀疏分支，以极低的 KV Cache 占用保留长文本的表征能力：Compressed Attention（压缩注意力）做法：将历史的 KV 序列按照固定的 Block 大小（例如每 128 个 Token 一个块）进行划分，通过一个简单的 Pooling 或小型网络进行粗粒度压缩。作用：用极小规模的 KV 表达全局的“背景宏

但GPT-3模型是2020年发布的，到ChatGPT服务问世还过去了接近三年，这是因为此时的模型在指令遵循方面很差，类似于一个强大的野兽，不受人类控制。最终的测试效果，也证明了扩大参数规模的有效性，GPT-2不再像GPT-1一样需要对输入进行预处理，然后做微调，才能处理特定任务了，直接把在输入基础上用自然语言描述需要做的任务，就能在文本翻译，文本分类等特定任务上去的超过专用模型的效果，这就是所谓的

但GPT-3模型是2020年发布的，到ChatGPT服务问世还过去了接近三年，这是因为此时的模型在指令遵循方面很差，类似于一个强大的野兽，不受人类控制。最终的测试效果，也证明了扩大参数规模的有效性，GPT-2不再像GPT-1一样需要对输入进行预处理，然后做微调，才能处理特定任务了，直接把在输入基础上用自然语言描述需要做的任务，就能在文本翻译，文本分类等特定任务上去的超过专用模型的效果，这就是所谓的

一个已经训练好的LLM一般有几十，甚至几百B的参数，想增加数据重新训练的开销是不可接受的，即使是专业计算卡，如果不是大厂的集群，也是训不起来的。我们现在只有一个AMD 48G计算卡，只能尝试LoRA微调来重训模型。LoRA的数学操作是，对于每个要微调的参数矩阵，假设原本是d * d的，我们不去更新这个大矩阵的参数，而是弄两个小矩阵a,b，大小分别为d* r,r * d，r通常很小，比如这里我们设为