埃隆·马斯克说到做到，开源了他家的大模型Glock。与其他基于Transformer架构的大模型相比，Glock有何独特之处呢？本文将深入解析Glock的架构设计，并与其他模型进行比较。
一、Glock的积木块：MOE架构所有的大模型都构建于Transformer架构之上，Glock也不例外。在代码的1292行，定义了一个Transformer模块。
Glock的核心在于其混合专家（Mixture of Experts，MOE）架构。Glock使用了八专家两活跃的MOE模型，与之前开源的Mistral AI的八专家七活跃的7B模型类似，GPT-4的架构推测也与此类似。
这意味着在每个Transformer层中，只有两个专家会被激活进行计算，从而显著降低了计算成本。
二、参数规模与层数对比Glock的八专家两活跃MOE架构堆叠了64层，均为MOE模块。相比之下，GPT-4堆叠了96层，参数量达到了惊人的3140亿。
三、深入Glock的Transformer模块从数据入口的词嵌入层开始，Glock的词汇量为32072。嵌入层的目的是将词转换为高维向量，Glock将每个词转换为一个6144维的向量。
之后，数据进入多头注意力机制。Glock使用了48头注意力，将6144维的向量切分为48份，每份128维。
为了节省算力和提高速度，只有查询向量（Q）被切分为48头，键向量（K）和值向量（V）则被分成六组，每组共享八个头进行自注意力计算。多头注意力机制之后是密集的前馈神经网络，将隐藏层规模放大八倍，达到8乘以6144的规模，参数量大幅增加。Glock单次最多可以处理8192个token，这意味着一次处理8192乘以6144个数字的庞大数据流。
四、Glock的开源与未来展望以上就是马斯克开源大模型Glock的总体框架解析。尽管开源，但马斯克仍然可能面临批评：不开源被指责“卡脖子”，开源后又可能被诟病“数据处理方式不当”。
接下来将进行实际部署测试，评估Glock的生产能力。