从DeepSeek-V3到Kimi K2：八种现代 LLM 架构大比较

作者
自最初的 GPT 架构开发以来，已经过去了七年。乍一看，回顾 GPT-2（2019 年），展望 DeepSeek-V3 和 Llama 4（2024-2025 年），人们可能会惊讶于这些模型在结构上仍然如此相似。
当然，位置嵌入已经从绝对嵌入演进到旋转嵌入（RoPE），多头注意力机制已基本被分组查询注意力机制所取代，而更高效的 SwiGLU 也取代了 GELU 等激活函数。但在这些细微的改进背后，我们是否真正看到了突破性的变化，还是仅仅在打磨相同的架构基础？
LLM架构子集：DeepSeek V3/R1、OLMo 2、Gemma 3、Mistral Small 3.1、Llama 4、Qwen3、SmolLM3和Kimi 2

一、DeepSeek V3/R1

DeepSeek V3 中引入的两种关键架构技术，这些技术提高了其计算效率，并使其有别于许多其他 LLM：多头潜在注意力（MLA）、混合专家（MoE）：
1.1 多头潜在注意力（MLA）
MLA旨在解决传统多头注意力（MHA）在大规模模型中内存占用过高的问题。与分组查询注意力（GQA）相比，MLA通过压缩键和值张量来进一步减少内存使用。
MHA 与 GQA 的比较。此处，组大小为 2，其中两个查询共享一个键值对。
在MLA中，键和值张量在存储到KV缓存之前会被压缩到一个低维空间。在推理时，这些压缩的张量会被重新投影回原始大小。这种设计虽然增加了额外的矩阵乘法操作，但显著降低了内存占用。  
MLA（用于 DeepSeek V3 和 R1）与常规 MHA 的比较。
1.2 混合专家（MoE） 
MoE将传统的前馈模块替换为多个专家层，每个专家层也是一个前馈模块。在推理时，一个路由器会选择一小部分专家进行激活。例如，DeepSeek V3有256个专家，但每次推理仅激活9个专家（1个共享专家和8个由路由器选择的专家）。
 V3/R1 中的混合专家 (MoE) 模块（右）与具有标准前馈块的 LLM（左）的比较图。
2. OLMo 2
2.1 归一化层放置
OLMo 2采用后归一化（Post-Norm）策略，与大多数LLM采用的前归一化（Pre-Norm）不同。这种设计旨在提高训练稳定性。
在OLMo 2中，归一化层被放置在注意力模块和前馈模块之后，而不是之前。这种设计与原始Transformer架构中的Post-LN类似，但使用了RMSNorm而非LayerNorm。
Post-Norm、Pre-Norm和OLMo 2的Post-Norm变体的对比图。
研究表明，后归一化有助于训练稳定性，尤其是在不使用精心设计的学习率预热策略时。OLMo 2的训练损失曲线表明，这种设计在训练过程中表现更为稳定。
Pre-Norm（如GPT-2、Llama 3和许多其他模型中使用的）与OLMo 2的Post-Norm变体的训练稳定性对比图。
2.2 QK-Norm
QK-Norm是在多头注意力模块中引入的额外RMSNorm层，应用于查询（q）和键（k）之前。这种设计有助于在应用RoPE之前对输入进行归一化，从而减少训练过程中的数值不稳定。
 OLMo 2 和 Llama 3；可以看出，除了 OLMo 2 仍然使用传统的 MHA 而非 GQA 之外，它们的架构在其他方面相对相似。
Llama 3 和 OLMo 2 的架构比较。
3. Gemma 3
3.1 滑动窗口注意力
滑动窗口注意力旨在减少KV缓存的内存需求，同时保持模型的性能。这种设计特别适用于需要处理长序列的任务。
通过滑动窗口注意力实现的KV缓存内存节省。
滑动窗口注意力限制了每个查询位置的上下文范围，使其仅关注局部窗口内的内容。与传统的全局注意力机制相比，这种设计显著减少了KV缓存的内存占用。例如，Gemma 3将滑动窗口大小从Gemma 2的4096减少到1024，并调整了全局与局部注意力的比例。
常规注意力（左）和滑动窗口注意力（右）的对比图。
研究表明，滑动窗口注意力对模型的建模性能影响极小，但在内存使用上带来了显著的优化。这种设计使得Gemma 3在处理长序列时更加高效。
常规注意力（左）和滑动窗口注意力（右）的对比图。
3.2 归一化层放置
Gemma 3在注意力模块和前馈模块前后都放置了RMSNorm层。这种设计结合了前归一化和后归一化的优点，既保持了训练稳定性，又提高了推理效率。
OLMo 2和Gemma 3的架构对比图；注意Gemma 3中额外的归一化层。
4. Mistral Small 3.1
Mistral Small 3.1通过自定义分词器、缩小KV缓存和减少层数来优化模型。此外，它放弃了滑动窗口注意力，转而使用更高效的FlashAttention技术。
这些优化使得Mistral Small 3.1在推理延迟上优于Gemma 3，同时保持了较高的性能。这种设计特别适合需要快速推理的应用场景。
OLMo 2和Gemma 3的架构对比图；注意Gemma 3中额外的归一化层。
5. Llama 4
Llama 4采用了与DeepSeek V3类似的架构，但在某些细节上进行了优化，以提高模型的性能和效率。
深度求索V3（6710亿参数）和Llama 4 Maverick（4000亿参数）的架构对比图。

Llama 4使用了分组查询注意力（GQA）而非多头潜在注意力（MLA），并且在MoE模块中使用了更少但更大的专家。此外，Llama 4在每个Transformer块中交替使用MoE模块和密集模块。
6. Qwen3
6.1 密集模型
Qwen3 0.6B和Llama 3 1B的架构对比图

Qwen3的密集模型采用了较深的架构（更多Transformer块），具有更多的层，而 Llama 3 是一种更宽的架构，具有更多的注意力头。Qwen3 的内存占用较小，但生成速度较慢。
6.2 MoE模型
DeepSeek-V3 和 Qwen3 235B-A22B 的架构比较。

Qwen3的MoE模型采用了与DeepSeek V3类似的架构，但在某些细节上有所不同，例如不使用共享专家。这种设计使得模型在训练时能够学习更多知识，而在推理时保持高效。
7. SmolLM3

SmolLM3 架构看起来相当标准。不过，最有趣的一点或许是它使用了 NoPE（无位置嵌入）。

 Qwen3 4B 和 SmolLM3 3B 的架构比较。
7.1 无位置嵌入（NoPE）
NoPE不使用任何位置嵌入（绝对位置嵌入或旋转位置嵌入），而是依赖因果注意力掩码来保持序列的自回归顺序。这种设计使得模型在训练过程中能够学习到隐式的位置信息。
绝对位置嵌入示例

研究表明，NoPE在长度泛化方面表现更好，即在处理更长序列时性能下降较少。这种设计使得SmolLM3在处理长序列任务时表现优异。
8. Kimi 2
Kimi 2采用了DeepSeek V3的架构，并进行了扩展。它使用了Muon优化器而非AdamW，这可能是其训练损失曲线表现优异的原因之一。此外，Kimi 2在MoE模块中使用了更多的专家，在MLA模块中使用了更少的头。

DeepSeek V3 和 Kimi K2 的架构比较。
这些设计使得Kimi 2在训练过程中表现优异，训练损失曲线平滑且下降迅速。这可能有助于该模型跃居上述基准测试的榜首

https://sebastianraschka.com/blog/2025/the-big-llm-architecture-comparison.html

（文：PaperAgent）

发表评论