1️⃣ Encoder-Decoder架构
● 代表模型：T5、BART
● 特点：适合序列到序列任务
● 应用：翻译、摘要、问答
2️⃣ Decoder-Only架构
● 代表模型：GPT系列、LLaMA
● 特点：自回归生成
● 应用：文本生成、对话
3️⃣ Encoder-Only架构
● 代表模型：BERT、RoBERTa
● 特点：双向理解
● 应用：分类、NER、阅读理解
4️⃣ Prefix-Decoder架构
● 代表模型：GLM、U-PaLM
● 特点：编码器+部分解码器
● 应用：兼顾理解和生成
🤖 主流模型详解
GPT系列演进
模型 参数量 特点 发布时间
GPT-1 117M 无监督预训练 2018
GPT-2 1.5B 零样本能力 2019
GPT-3 175B 少样本学习 2020
GPT-4 ~1.7T 多模态 2023
LLaMA系列
● LLaMA 1：开源基础模型
● LLaMA 2：商业友好许可
● LLaMA 3：最强开源模型
中文大模型
● Qwen：阿里巴巴开源
● DeepSeek：深度求索
● Kimi：月之暗面
● ChatGLM：清华大学
📊 模型对比
模型 架构 参数量 上下文长度 特点
GPT-4 Decoder ~1.7T 128K 多模态、推理强
LLaMA-3 Decoder 70B 8K 开源、英文强
Qwen-72B Decoder 72B 32K 中文优化
DeepSeek-67B Decoder 67B 32K 数学推理
🎯 面试重点
- 不同架构的优缺点？
- GPT和BERT的区别？
- 如何选择合适的架构？
- 中文模型的特殊优化？
