---
title: "Architektury LLM"
source: "https://systems-analysis.info/int/Architektury_LLM"
wiki: "systems-analysis.info/int"
article: "Architektury_LLM"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 436
wiki_created_at: 2026-09-06T22:33:43Z
wiki_modified_at: 2026-09-06T22:33:43Z
downloaded_at: 2026-09-07T22:39:59Z
---

# Architektury LLM

**Architektury dużych modeli językowych (LLM)** — to fundamentalne zasady i struktury, które określają sposób budowania, uczenia i funkcjonowania dużych modeli językowych. Współczesne LLM, zdolne do rozumienia i generowania języka ludzkiego, opierają się niemal całkowicie na architekturze **Transformer**<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>, lecz obejmują wiele udoskonaleń i różnych podejść mających na celu zwiększenie efektywności, skalowalności i możliwości.

## Rodziny architektur LLM (transformery)

Współczesne duże modele językowe opierają się na architekturze transformera<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>, lecz wykorzystują ją w różny sposób w zależności od celu: rozumienia tekstu, generowania jego kontynuacji lub przekształcania jednego tekstu w inny. W praktyce wyróżnia się trzy rodziny przy zachowaniu podstawowych zasad transformera<sup>[\[2\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-2)[\[3\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-3)[\[4\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-4)</sup>.

### 1. Encoder‑only (tylko koder)

Model wykorzystuje wyłącznie stos koderów i przetwarza cały tekst wejściowy dwukierunkowo. Wstępne uczenie opiera się zazwyczaj na masked‑language modeling (MLM, modelowanie językowe z maskowaniem): część tokenów jest ukrywana, a model uczy się odtwarzać je na podstawie otoczenia. Dzięki dwukierunkowemu kontekstowi modele te sprawdzają się w zadaniach rozumienia i scoringu: klasyfikacja, rozpoznawanie encji, rerankowanie dokumentów i ekstrakcyjny QA. Nie są przeznaczone do autoregresywnej generacji „od zera".

Dodatkowo w praktyce stosuje się również alternatywne cele wstępnego uczenia dla rodziny encoder‑only: *replaced token detection (RTD) w ELECTRA* (model-dyskryminator rozpoznaje podmienione tokeny) oraz *uczenie kontrastywne* bi-enkoderów na potrzeby wyszukiwania semantycznego/retrieval (InfoNCE/softmax‑loss na parach „zapytanie-dokument", jak w Dense Passage Retrieval). Stosowane w RAG, modele encoder‑only pełnią rolę albo *bi-enkodera* (oddzielne kodowanie zapytania i dokumentu na potrzeby szybkiego wyszukiwania ANN), albo *kros-enkodera* (wspólne kodowanie pary na potrzeby precyzyjnego rerankowania).

**Zalety:**

- Wysoka jakość rozumienia tekstu dzięki dwukierunkowemu kontekstowi: klasyfikacja, NER, ekstrakcja faktów, rerankowanie, ekstrakcyjny QA.
- Przetwarzanie równoległe i wysoka przepustowość: jedno przejście w przód bez auto‑regresji; wygodne do batchowania masowego scoringu.
- Naturalna integracja z wyszukiwaniem i RAG: w roli bi-enkodera — szybkie wyszukiwanie semantyczne; w roli kros-enkodera — precyzyjne rerankowanie.
- Efektywna adaptacja: stosunkowo kompaktowe warianty (≈100–300 mln parametrów; BERT‑base ≈110 mln) po ukierunkowanym doszkalaniu osiągają wysoką jakość.
- Stabilne opóźnienie niezależne od długości generowanej odpowiedzi (brak dekodowania krok po kroku); dobrze nadają się do offline scoringu dużych kolekcji.
- Możliwość zwiększenia okna kontekstu enkoderów dzięki pozycjom względnym/rotacyjnym i/lub lokalnie rzadkiej uwadze (np. Longformer/BigBird), co jest przydatne w przypadku długich dokumentów.

**Wady:**

- Brak własnych możliwości generatywnych: do dialogów i rozbudowanych odpowiedzi potrzebny jest dekoder lub zewnętrzny moduł generatywny.
- Ograniczoność w scenariuszach interaktywnych: brak generacji krokowej z zachowaniem stanu.
- Niezgodność celu wstępnego uczenia z zadaniami swobodnej generacji: MLM gorzej odpowiada generacji w porównaniu z modelowaniem przyczynowo-skutkowym.
- Historycznie ograniczone okno kontekstu (często 512 tokenów w podstawowych konfiguracjach pozycji bezwzględnych); rozszerzenie wymaga specjalnych schematów pozycji/uwagi i/lub doszkalania.
- W zadaniach retrieval wymagane jest oddzielne kontrastywne doszkalanie bi-enkodera i/lub kros-enkodera; bez tego jakość wyszukiwania/rerankowania jest zazwyczaj niższa niż w przypadku specjalnie wytrenowanych modeli.

**Reprezentatywne modele:** BERT i jego pochodne, a także RoBERTa i DeBERTa (rozszerzone warianty encoder‑only); wśród alternatywnych celów wstępnego uczenia — ELECTRA (RTD). <sup>[\[5\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-5)[\[6\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-6)[\[7\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-7)[\[8\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-8)[\[9\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-9)[\[10\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-10)</sup>

### 2. Decoder‑only (tylko dekoder)

Wykorzystywany jest wyłącznie stos dekoderów z przyczynową (lewostronna) uwagą: model przewiduje kolejny token na podstawie już zadanego prefiksu. Taki tryb uczenia — causal language modeling (CLM) — czyni te modele naturalnym wyborem do generacji: dialogi, rozbudowane odpowiedzi, tekst kreatywny, kod programistyczny. Kompromisem jest wzrost opóźnienia i rozmiaru KV-cache przy długich promptach. W praktyce dla decoder‑only powszechnie stosuje się techniki inżynierskie: zmniejszenie KV-cache dzięki MQA i GQA, przyspieszenie wnioskowania przez speculative decoding oraz optymalizacje serwerowe (PagedAttention/vLLM, continuous batching, chunked prefill).<sup>[\[11\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-11)[\[12\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-12)[\[13\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-13)[\[14\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-14)[\[15\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-15)</sup>

**Zalety:**

- Naturalna generacja tekstu (CLM): silne możliwości zero‑shot i few‑shot; dobrze skaluje się.<sup>[\[16\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-16)</sup>
- Wszechstronność zastosowania: jeden model rozwiązuje wiele zadań dzięki instrukcjom i przykładom w prompcie; naturalnie łączy się z RAG i wywoływaniem narzędzi (tool use).
- Dojrzały ekosystem: praktyki instrukcyjnego doszkalania i wyrównywania zachowania (RLHF, DPO); dostępne implementacje otwarte i komercyjne.<sup>[\[17\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-17)[\[18\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-18)</sup>
- Bogaty stos optymalizacji wnioskowania: MQA/GQA zmniejszają rozmiar KV-cache i zwiększają przepustowość; speculative decoding przyspiesza wnioskowanie bez zmiany rozkładu; PagedAttention/vLLM z continuous batching i chunked prefill zwiększają end-to-end wykorzystanie GPU.<sup>[\[19\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-19)[\[20\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-20)[\[21\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-21)[\[22\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-22)[\[23\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-23)</sup>
- Wsparcie dla generacji strukturyzowanej na potrzeby ścisłych formatów odpowiedzi (JSON/SQL/DSL), co upraszcza integrację z systemami informatycznymi i API.<sup>[\[24\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-24)[\[25\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-25)</sup>

**Wady:**

- Zwiększone opóźnienie generacji: sekwencyjne wnioskowanie; koszt nowego tokenu rośnie wraz z długością już „przeczytanego" kontekstu (KV-cache).
- Mniej korzystny przy profilu „długie wejście – krótkie wyjście" (sumaryzacja, tłumaczenie) w porównaniu z encoder–decoder, gdzie wejście jest kodowane jednorazowo.
- Ograniczenie jednokierunkowym kontekstem: w zadaniach rozumienia niekiedy ustępuje modelom z dwukierunkową reprezentacją (encoder‑only / encoder–decoder).
- Pamięć pod KV-cache może stanowić „wąskie gardło" przy długich promptach i dużych batchach; <sup>[\[26\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-26)</sup>
- Kwantyzacja aktywacji/KV (INT8/FP8) przyspiesza wnioskowanie, ale może obniżać jakość na długich kontekstach/kodzie; wymaga starannej walidacji (zwłaszcza przy rygorystycznych SLA).

**Reprezentatywne modele:** GPT‑3, GPT‑4 (szczegóły architektury i zestawu danych nie są publicznie ujawnione), LLaMA i *Llama 3* (8B/70B, 2024).<sup>[\[27\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-27)[\[28\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-28)[\[29\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-29)[\[30\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-30)</sup>

### 3. Encoder–decoder (koder–dekoder)

Architektura łączy oba komponenty. Enkoder działa w trybie dwukierunkowym, a dekoder — przyczynowo. Enkoder jednorazowo analizuje wejście i tworzy jego reprezentację; dekoder generuje wyjście, odwołując się do tej reprezentacji poprzez cross‑attention. Takie rozdzielone podejście jest szczególnie przydatne tam, gdzie wymagane jest przekształcenie długiego tekstu wejściowego w krótkie wyjście: tłumaczenie maszynowe, sumaryzacja, odpowiedzi na podstawie dokumentów. Chociaż metoda wymaga większych łącznych nakładów obliczeniowych (dwa stosy i kros-uwaga), jej zaletą jest kontrolowana generacja oparta na pełnej analizie tekstu źródłowego; przy tym kodowanie wykonywane jest jednokrotnie i ponownie wykorzystywane przez cały proces wnioskowania.

**Zalety:**

- Warunkowa generacja: dekoder wykorzystuje cross‑attention do reprezentacji wejścia. <sup>[\[31\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-31)</sup>
- Efektywny w scenariuszu „długie wejście → krótkie wyjście": wejście kodowane jest jednokrotnie.
- Wygodny dla formatu „text‑to‑text" i kontrolowanego wnioskowania (prefiksy zadań, specjalne instrukcje). <sup>[\[32\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-32)</sup>
- Stabilność i efektywność przy długim źródle: w fazie dekodowania rośnie tylko self‑attention po wyjściu, a cross‑attention ponownie wykorzystuje stałe klucze/wartości z enkodera (wejście nie jest „odczytywane ponownie" na każdym kroku).

**Wady:**

- Dwa stosy zwiększają wymagania co do pamięci i obliczeń podczas uczenia i zastosowania.
- Przy bardzo długich sekwencjach łączne opóźnienie jest porównywalne z decoder‑only; auto-regresja pozostaje wąskim gardłem.
- Mniej uniwersalnych modeli czatowych niż wśród decoder‑only; częściej stosowane jako wysokiej jakości silnik seq2seq do konkretnych zadań.
- Przy bardzo długim wejściu wzrasta zużycie pamięci pod klucze/wartości cross‑attention w każdej warstwie dekodera (dla całego źródła), co wymaga starannego planowania serwisowania.

**Reprezentatywne modele:** T5 (w tym T5 v1.1 oraz praktyka instrukcyjnego doszkalania w *FLAN‑T5*) i BART. <sup>[\[33\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-33)[\[34\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-34)[\[35\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-35)</sup>

## Gęste (dense) transformery

Klasyczna i najbardziej rozpowszechniona architektura LLM: przy przetwarzaniu każdego tokenu uczestniczy niemal cały zestaw parametrów modelu. W odróżnieniu od podejść rzadkich (np. Mixture‑of‑Experts), nie ma selektywnej aktywacji podsieci — każdy blok działa dla każdego tokenu. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>

### Zasada działania i architektura

**Podstawowa struktura.** Model to stos N jednakowych bloków transformera. Każdy blok zawiera:

1.  **Wielogłową samo-uwagę (Multi‑Head Self‑Attention).** Dla każdego tokenu obliczane są trzy wektory: Q (query), K (key), V (value); uwaga jest określana jako $\operatorname{softmax}\!\left( \frac{QK^{\top} + M}{\sqrt{d_{k}}} \right) \cdot V$, gdzie $M$ — maska (przyczynowa i/lub maska paddingowa) wykluczająca niedopuszczalne pozycje. Kilka „głów" uwagi równolegle uwzględnia różne aspekty kontekstu (H głów, zazwyczaj $d_{head} = \frac{d_{model}}{H}$); ich liczba rośnie wraz ze skalą modelu. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>
2.  **Sieć w pełni połączoną (Feed‑Forward Network, FFN).** Dwie warstwy liniowe z nieliniowością między nimi (zazwyczaj GELU/SiLU; w niektórych współczesnych modelach — SwiGLU). Wymiar pośredni zazwyczaj wynosi $\approx 4\, d_{model}$; przy zastosowaniu SwiGLU często przyjmuje się $\approx \frac{8}{3}\, d_{model}$ w celu zachowania porównywalnej liczby parametrów. FFN zawiera znaczną część parametrów. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)[\[36\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-36)</sup>

**Dodatkowe komponenty.** Stosowane są połączenia rezydualne (residual) i normalizacja warstw; we współczesnych LLM częściej stosuje się Pre‑LN (normalizacja przed blokami) — poprawia to stabilność uczenia przy dużych głębokościach. Obok klasycznej LayerNorm coraz powszechniej stosuje się **RMSNorm** (zmniejsza koszty obliczeniowe i dobrze sprawdza się w dużych modelach); w niektórych rodzinach stosuje się też normalizację w przestrzeni uwagi (np. normalizacja Q/K przed softmax). Reprezentacje pozycyjne mogą być bezwzględne lub względne; dla długiego kontekstu de facto standardem stał się RoPE.

##### Przykłady modeli i skala

- BERT‑Large: 24 warstwy, wymiar 1024, 16 głów uwagi, ≈340 mln parametrów. <sup>[\[37\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-37)</sup>
- GPT‑3 (175B): 96 warstw, wymiar 12288, 96 głów uwagi, ≈175 mld parametrów. <sup>[\[38\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-38)</sup>
- LLaMA‑65B: 80 warstw, wymiar 8192, 64 głowy uwagi, ≈65 mld parametrów. <sup>[\[39\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-39)</sup>
- PaLM‑540B: 118 warstw, wymiar rzędu 18432, ≈540 mld parametrów. <sup>[\[40\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-40)</sup>

##### Zalety

- Jednolite bloki, dobrze zbadane tryby uczenia i przewidywalne zachowanie przy skalowaniu.
- Jakość poprawia się w sposób potęgowy wraz ze wzrostem liczby parametrów i danych; tryb compute‑optimal zakłada jednoczesne zwiększanie rozmiaru modelu i liczby tokenów uczących. <sup>[\[41\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-41)[\[42\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-42)</sup>
- Ta sama architektura po doszkalaniu obejmuje szerokie spektrum zadań bez zmian na poziomie warstw.

##### Wady

- Pełna samo-uwaga ma kwadratową złożoność względem długości sekwencji ($O(n^{2})$), co ogranicza okno kontekstu. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>
- Pełna aktywacja parametrów na kroku generacji: w dekoderze bez MoE koszt wnioskowania na token rośnie w przybliżeniu proporcjonalnie do liczby parametrów.
- Wąskie gardło — przepustowość pamięci (memory‑bound): ładowanie wag z HBM często ogranicza szybkość wnioskowania.

##### Ograniczenia skalowania i kontekstu

- Pamięć pod parametry rośnie liniowo z rozmiarem modelu; pamięć treningowa zwiększa się z powodu gradientów i stanów optymalizatora.
- Podstawowe konfiguracje historycznie ograniczały się do 2–4 tys. tokenów. Współczesne schematy pozycyjne (RoPE) i techniki rozszerzania (Position Interpolation, YaRN i in.) pozwalają zwiększać okno o rząd wielkości i więcej, lecz kosztem dodatkowego obciążenia obliczeniowego/pamięciowego. <sup>[\[43\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-43)[\[44\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-44)</sup>

### Współczesne optymalizacje

- **FlashAttention.** Dokładna uwaga uwzględniająca hierarchię pamięci GPU; zmniejsza zużycie pamięci i przyspiesza uczenie/wnioskowanie przy długich sekwencjach. <sup>[\[45\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-45)</sup>
- **Redukcja i zarządzanie KV-cache.** Multi‑Query Attention i Grouped‑Query Attention zmniejszają rozmiar cache i ruch pamięci; na poziomie serwera PagedAttention (vLLM) zwiększa przepustowość dzięki stronicowemu zarządzaniu cache. <sup>[\[46\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-46)[\[47\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-47)[\[48\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-48)</sup>
- **Speculative decoding.** Model szkicowy (draft) proponuje kontynuację, a główny model szybko ją weryfikuje; osiągane jest przyspieszenie bez zmiany rozkładu wyjściowego. <sup>[\[49\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-49)</sup>

## Modele rzadkie (Sparse Models) i Mixture‑of‑Experts (MoE)

MoE to sposób na zwiększenie pojemności modelu bez proporcjonalnego wzrostu obliczeń na token. Zamiast jednego dużego bloku FFN w warstwie używany jest zestaw równoległych „ekspertów" (kilka niezależnych FFN), a uczony router (gating network) dla każdego tokenu wybiera top‑k najbardziej trafnych ekspertów (zazwyczaj k=1–2; w niektórych modelach k=4). Aktywowane są tylko wybrane eksperty; ich wyjścia są ważone i sumowane. W ten sposób łączna liczba parametrów może sięgać setek miliardów, a nawet bilionów, jednak na każdym kroku aktywowana jest tylko niewielka ich część. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Switch-50)[\[51\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-GLAM-51)</sup>

#### Przykłady modeli i skala

- **Switch Transformer (Google)**: do ~1,6T parametrów; routing top‑1 (jeden ekspert na token). Pokazał, że MoE pozwala drastycznie zwiększyć pojemność przy porównywalnych kosztach na token. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Switch-50)</sup>
- **GLaM (Google)**: 1,2T parametrów, 64 ekspertów w warstwie, top‑2; na każdy token aktywowane jest ≈96,6B parametrów (≈8%). <sup>[\[51\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-GLAM-51)</sup>
- **Mixtral 8×7B (Mistral AI)**: ~46,7B parametrów łącznie, ≈12,9B aktywnych na token, top‑2. <sup>[\[52\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mixtral8x7-52)[\[53\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mixtral8x7_paper-53)</sup>
- **Mixtral 8×22B**: ~141B parametrów łącznie, ≈39B aktywnych na token, top‑2. <sup>[\[54\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mixtral8x22-54)</sup>
- **DBRX (Databricks)**: 132B parametrów łącznie, ≈36B aktywnych na token; 16 ekspertów i routing top‑4 (fine‑grained MoE). <sup>[\[55\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-DBRX-55)</sup>

##### Zalety

- Koszt obliczeń wyznaczany jest przez liczbę aktywnych ekspertów k, a nie łączną liczbę parametrów: można uczyć i używać modeli w skali bilionowej przy kosztach porównywalnych z gęstymi modelami znacznie mniejszego rozmiaru. <sup>[\[51\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-GLAM-51)</sup>
- Specjalizacja: eksperci automatycznie „dostosowują się" do języków/dziedzin/wzorców, poprawiając jakość w zadaniach wielodziedzinowych.
- Elastyczne wdrożenie: można trzymać w pamięci często używanych ekspertów i ładować rzadkich (przy odpowiedniej infrastrukturze).

##### Ograniczenia

- Balansowanie obciążenia: bez regularyzacji router może „utkwić" na części ekspertów (router collapse). Potrzebne są auxiliary losses (load‑balancing) i ulepszone schematy routingu. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Switch-50)</sup>
- Złożoność obliczeń rozproszonych: wymagany jest expert parallelism i wymiana all‑to‑all; koszty komunikacji i zarządzanie pamięcią stają się wąskim gardłem. <sup>[\[56\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-NVIDIA_MoE-56)</sup>
- Stabilność uczenia: istotne są ustawienia routera i ograniczeń pojemności (capacity), w przeciwnym razie możliwe są degradacje jakości/zbieżności.

#### Współczesne ulepszenia

- **Expert‑Choice routing**: eksperci „wybierają" tokeny, co poprawia balansowanie i zbieżność przy porównywalnych kosztach. <sup>[\[57\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-ExpertChoice-57)</sup>
- **Fine‑grained MoE**: większa liczba mniejszych ekspertów (jak w DBRX) daje drobniejszą granularność specjalizacji. <sup>[\[55\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-DBRX-55)</sup>
- **Sparse Upcycling**: przekształcenie gęstego modelu w MoE z jego checkpointu pozwala istotnie podnieść jakość przy umiarkowanych kosztach. <sup>[\[58\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-SparseUpcycling-58)</sup>

#### Celowość stosowania MoE

- Duże asystenty wielodziedzinowe przy ograniczonym budżecie obliczeniowym.
- Uczenie na rozległych korpusach, gdzie specjalizacja przynosi korzyści.
- Scenariusze z rozwiniętą infrastrukturą rozproszoną (wiele GPU/TPU i szybkie sieci).

**Kiedy lepsze są modele gęste**: ograniczona infrastruktura (1–2 GPU), rygorystyczne wymagania co do przewidywalnego opóźnienia i prostoty wdrożenia.

## Retrieval‑Augmented Generation (RAG)

RAG to architektoniczny **wzorzec systemu** wokół LLM, a nie wewnętrzna architektura samego modelu. Łączy LLM (komponent generatywny) z zewnętrzną bazą wiedzy (komponent ekstrakcji), co pozwala kompensować ograniczoność „pamięci parametrycznej" modelu.

- **Zasada działania:** Przed generacją LLM pobiera odpowiednie dokumenty z zewnętrznego źródła (wiki, firmowa baza wiedzy, sieć) i opiera się na nich przy formułowaniu odpowiedzi. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RAG-59)</sup>
- **Zalety:**
  - Redukcja halucynacji i poprawa dokładności faktograficznej. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RAG-59)[\[60\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-60)</sup>
  - Aktualność bez pełnego ponownego uczenia modelu. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RAG-59)</sup>
  - Cytowalność i śledzalność odpowiedzi.
- **Zastosowanie:** De facto standard dla asystentów korporacyjnych i systemów wymagających weryfikowalnych faktów oraz pracy z danymi prywatnymi/wysoce wyspecjalizowanymi. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RAG-59)</sup>

## Mechanizmy uwagi i praca z kontekstem

Podstawowa samo-uwaga ma kwadratową złożoność względem długości sekwencji ($O(n^{2})$), dlatego pojawiły się optymalizacje.

- **Rzadka uwaga (Sparse Attention):** Ograniczenie uwagi do lokalnych okien/wzorców. Przykłady: **Longformer**<sup>[\[61\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-61)</sup>, **BigBird**<sup>[\[62\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-62)</sup>.
- **FlashAttention:** Zmiana kolejności obliczeń z uwzględnieniem hierarchii pamięci GPU; daje istotną oszczędność czasu i pamięci i stała się de facto standardem przy uczeniu LLM z długim kontekstem<sup>[\[63\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-63)[\[64\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-64)[\[65\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-65)</sup>.
- **MQA/GQA (przyspieszenie dekodowania):** *Multi‑Query Attention* (wspólne klucze/wartości dla wszystkich głów) zmniejsza ruch KV-cache<sup>[\[66\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-66)</sup>. *Grouped‑Query Attention* balansuje jakość/szybkość<sup>[\[67\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-67)</sup>.
- **Ulepszone reprezentacje pozycyjne:**
  - **ALiBi (Attention with Linear Biases):** Liniowe przesunięcia wyników uwagi poprawiają uogólnianie na większe długości. <sup>[\[68\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-68)</sup>
  - **RoPE (Rotary Position Embeddings):** Względna informacja pozycyjna poprzez obrót Q/K; szeroko stosowana we współczesnych modelach (np. LLaMA). <sup>[\[69\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-69)[\[70\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-70)</sup>
  - **Rozszerzanie kontekstu dla modeli RoPE:** *Position Interpolation* <sup>[\[71\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-71)</sup>, *YaRN* <sup>[\[72\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-72)</sup> oraz modyfikacje NTK-aware pozwalają efektywnie zwiększać okno kontekstu bez zmiany architektury.

<!-- -->

- **Inne podejścia do długich sekwencji:**
  - **Transformer‑XL:** Pamięć rekurencyjna między segmentami do modelowania dalekich zależności. <sup>[\[73\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-73)</sup>
  - **Reformer:** LSH‑attention i odwracalne bloki rezydualne na potrzeby oszczędności pamięci. <sup>[\[74\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-74)</sup>
  - **Performer:** Liniowe przybliżenie softmax‑attention (FAVOR+). <sup>[\[75\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-75)</sup>
  - **Linformer:** Niskorzędowe przybliżenie macierzy uwagi. <sup>[\[76\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-76)</sup>

## Optymalizacje modeli i infrastruktura uczenia

Do uczenia i wdrożenia LLM stosuje się wyspecjalizowane techniki i frameworki.

- **Kwantyzacja (Quantization):** Redukcja precyzji wag zmniejsza pamięć i przyspiesza wnioskowanie. **QLoRA** pozwala efektywnie doszkalać modele 4-bitowe (w tym 65B) przy jakości bliskiej pełnej precyzji<sup>[\[77\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-77)</sup>.
- **Destylacja wiedzy (Knowledge Distillation):** Uczenie *Teacher→Student* na potrzeby kompaktowych modeli<sup>[\[78\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-78)</sup>; przykład — **DistilBERT**<sup>[\[79\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-79)</sup>.
- **Uczenie rozproszone:**
  - **DeepSpeed** i **ZeRO** — rozproszenie parametrów/gradientów/stanów optymalizatora na potrzeby uczenia modeli bilionowych<sup>[\[80\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-80)</sup>.
  - **Megatron‑LM** — tensorowy i potokowy paralelizm dla bardzo dużych transformerów<sup>[\[81\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-81)</sup>.
- **Ekosystem i narzędzia:** **Hugging Face Transformers** i **Accelerate** dostarczają standardowe implementacje modeli i integrację z DeepSpeed/FSDP na potrzeby uczenia i wnioskowania<sup>[\[82\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-82)[\[83\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-83)</sup>.

## Prawa skalowania i uczenie compute‑optimal

Empiryczne **prawa skalowania** pokazują, że błąd krzyżowej entropii maleje w sposób potęgowy wraz ze wzrostem parametrów, danych i obliczeń. <sup>[\[84\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-84)</sup> Praca **Chinchilla** doprecyzowała tryby **compute‑optimal**: dla optymalnej efektywności rozmiar modelu i liczba tokenów uczących powinny być skalowane łącznie (przykład — model 70B uczony na ~1,4T tokenów, przewyższający większe, niedouczone modele). <sup>[\[85\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-85)</sup>

## Modele z przestrzenią stanów (State Space Models, SSM)

**State Space Models (SSM)** — alternatywna wobec transformerów architektura do pracy z długimi sekwencjami. Czerpie idee z teorii sterowania i cyfrowego przetwarzania sygnałów i rozwiązuje główny problem self‑attention: kwadratowy wzrost obliczeń wraz z wydłużaniem tekstu.

### Główny problem i rozwiązanie

**Problem transformerów.** Głównym problemem tradycyjnych transformerów jest kwadratowa złożoność uwagi: tekst 10 razy dłuższy wymaga około 100 razy więcej obliczeń.

**Podejście SSM.** Zamiast „jednoczesnej uwagi na wszystkie słowa" model przechodzi przez tekst sekwencyjnie i utrzymuje kompaktowy wewnętrzny **stan pamięci**, który jest aktualizowany na każdym kroku. W rezultacie czas i zużycie pamięci rosną w przybliżeniu liniowo wraz z długością tekstu. Przy tym uczenie może być wykonywane równolegle — poprzez splotową reprezentację jądra (wysoka przepustowość przy długich sekwencjach). <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-S4-86)</sup>

### Zasada działania

Dyskretny SSM opisują równania stanu i wyjścia:

$x_{t} = Ax_{t - 1} + Bu_{t},\quad y_{t} = Cx_{t} + Du_{t}$

gdzie $x_{t}$ — stan pamięci, $u_{t}$ — wejście (token), $y_{t}$ — wyjście. W głębokich SSM macierze $A,B,C,D$ parametryzuje się tak, aby zapewnić stabilność i efektywne obliczenia na długich sekwencjach. Tę samą warstwę można traktować jako:

- rekurencyjną (skanowanie po krokach) — oszczędne pamięciowo wnioskowanie bez KV-cache;
- splotową — równoległe uczenie z wstępnie obliczonym jądrem. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-S4-86)</sup>

### Główne architektury i hybrydy

- **S4 (Structured State Spaces).** Bazowa linia SSM ze stabilną parametryzacją macierzy stanu; wykazuje efektywność przy bardzo długich sekwencjach. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-S4-86)</sup>
- **Mamba.** *Selektywne* SSM: reguły aktualizacji pamięci zależą od bieżącego wejścia (model sam decyduje, co „trzymać w pamięci", a co „zapominać"). Implementacja zorientowana na hierarchię pamięci GPU; według autorów osiągane jest wielokrotne zwiększenie przepustowości wnioskowania przy liniowej złożoności względem długości. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mamba-87)</sup>
- **RetNet.** Mechanizm *retention* z trzema trybami: równoległe uczenie, rekurencyjne i blokowe-rekurencyjne wnioskowanie. Celem jest połączenie szybkiego uczenia (jak w transformerach) z oszczędnym potokiem wnioskowania (O(1) pamięć na token). <sup>[\[88\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RetNet-88)</sup>
- **Hybrydy Attention+SSM.** Przykład — **Jamba** (naprzemienne warstwy Transformer i Mamba plus MoE): obsługa kontekstów rzędu ~256 K tokenów przy znacznie mniejszym zapotrzebowaniu na pamięć w porównaniu z modelami czysto transformerowymi podobnej klasy. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Jamba-89)</sup>

#### Zalety

- Liniowa złożoność i oszczędność pamięci przy wnioskowaniu. Brak globalnego self‑attention i KV-cache; przechowywany jest jedynie kompaktowy stan. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mamba-87)[\[88\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RetNet-88)</sup>
- Równoległe uczenie na długich sekwencjach. Tryb splotowy zwiększa przepustowość uczenia. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-S4-86)</sup>
- Efektywność sprzętowa. Implementacje zorientowane na współczesną hierarchię pamięci (HBM/SRAM). <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mamba-87)</sup>
- Długie konteksty i streaming. Hybrydy SSM+Attention są praktyczne dla setek tysięcy tokenów przy umiarkowanych zasobach. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Jamba-89)</sup>

#### Ograniczenia i aktualna praktyka

- Dojrzałość ekosystemu. Narzędzia i „przepisy" skalowania (instrukcje, RLHF/DPO) wciąż ustępują stackowi transformerowemu. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mamba-87)</sup>
- Jakość i stabilność. W szeregu zadań hybrydy (Attention+SSM) wykazują bardziej stabilny kompromis „jakość/szybkość/pamięć" niż „czyste" SSM. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Jamba-89)</sup>

#### Porównanie podejść (ogólnie)

| Charakterystyka                | Transformery                     | SSM                  | Hybrydy (Attention+SSM) |
|--------------------------------|----------------------------------|----------------------|-------------------------|
| Złożoność względem długości    | Kwadratowa (self‑attention)      | Liniowa (skan/splot) | Bliska liniowej         |
| Pamięć na token (wnioskowanie) | KV-cache rośnie z kontekstem     | Stan O(1)            | Umiarkowany wzrost      |
| Długie konteksty               | Wymagane specjalne optymalizacje | Naturalne wsparcie   | Praktyczne do ~256 K    |
| Dojrzałość ekosystemu          | Wysoka                           | Rozwijająca się      | Rozwijająca się         |

#### Praktyczne zastosowania

- Analiza bardzo długich dokumentów (książki, raporty, przeglądy naukowe).
- Przetwarzanie strumieniowe i scenariusze czatowe z długą historią bez wzrostu kosztów pamięci.
- Środowiska z ograniczonymi zasobami (urządzenia mobilne/edge).
- Szeregi czasowe i inne dane sekwencyjne.

**Reprezentatywne modele:** S4, Mamba, RetNet; hybrydy Attention+SSM (Jamba). <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-S4-86)[\[87\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Mamba-87)[\[88\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-RetNet-88)[\[89\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Jamba-89)</sup>

## Ewolucja architektur

- 2017 — opublikowana praca „Attention Is All You Need". Przedstawiona architektura transformera: wielogłowa samo-uwaga i kodowania pozycyjne pozwalają uczyć modele bez rekurencji i splotów; jednocześnie uwaga ma kwadratową złożoność względem długości kontekstu.<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-Vaswani2017-1)</sup>

<!-- -->

- 2018 — przedstawione GPT‑1 i BERT. GPT‑1 używa stosu wyłącznie dekoderów z przyczynową uwagą do generacji i późniejszego doszkalania; BERT wprowadza dwukierunkowy enkoder i wstępne uczenie MLM dla zadań rozumienia tekstu. <sup>[\[90\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-90)[\[91\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-91)</sup>

<!-- -->

- 2019 — zaproponowane sposoby pracy z długimi sekwencjami i skalowanie decoder‑only. Transformer‑XL dodaje „pamięć" i względne pozycje do wychodzenia poza stałe okno; GPT‑2 pokazuje wzrost możliwości zero‑shot wraz ze wzrostem skali; BART demonstruje efektywność wstępnego uczenia z odszumianiem dla seq2seq. <sup>[\[92\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-92)[\[93\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-93)[\[94\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-94)</sup>

<!-- -->

- 2020 — zunifikowany format „text‑to‑text" i pokazane metody dla długich dokumentów. T5 formułuje jednolite podejście encoder–decoder dla różnych zadań; Longformer i BigBird używają rzadkiej/strukturyzowanej uwagi dla długich tekstów; GPT‑3 potwierdza efektywność skalowania gęstego decoder‑only. <sup>[\[95\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-95)[\[96\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-96)[\[97\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-97)[\[98\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-98)</sup>

<!-- -->

- 2021 — ulepszone reprezentacje pozycyjne i pokazana rzadkość parametrów (MoE). RoPE i ALiBi poprawiają uogólnianie przy większych długościach; Switch Transformer i GLaM aktywują tylko część ekspertów na token, zwiększając pojemność bez proporcjonalnego wzrostu kosztów wnioskowania. <sup>[\[99\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-99)[\[100\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-100)[\[101\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-101)[\[102\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-102)</sup>

<!-- -->

- 2022 — doprecyzowany tryb compute‑optimal i przyspieszone wnioskowanie przy długich promptach. Chinchilla pokazuje korzyści z większej liczby tokenów uczących przy umiarkowanym rozmiarze modelu; PaLM z Multi‑Query Attention zmniejsza rozmiar KV-cache; FlashAttention przyspiesza uwagę na GPU. <sup>[\[103\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-103)[\[104\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-104)[\[105\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-105)[\[106\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-106)</sup>

<!-- -->

- 2023 — zwiększone okna kontekstu bez zmiany warstw i ulepszony serwis podawania danych. Seria LLaMA utrwala praktyki (RMSNorm, SwiGLU, RoPE); Position Interpolation i YaRN rozszerzają kontekst; vLLM/PagedAttention efektywniej zarządza KV-cache. <sup>[\[107\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-107)[\[108\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-108)[\[109\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-109)[\[110\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-110)[\[111\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-111)[\[112\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-112)</sup>

<!-- -->

- 2023 — GPT‑4 i Gemini pokazują przetwarzanie i generację w wielu modalnościach w ramach jednej rodziny modeli. <sup>[\[113\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-113)[\[114\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-114)</sup>

<!-- -->

- 2023 — zaproponowane modele z przestrzenią stanów (SSM). Mamba i RetNet powracają do sekwencyjnego przetwarzania z kompaktowym stanem zamiast KV-cache i kładą podwaliny pod architektury hybrydowe. <sup>[\[115\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-115)[\[116\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-116)</sup>

<!-- -->

- 2024 — opublikowane otwarte modele MoE i hybrydy Attention+SSM; przyspieszona uwaga na nowych GPU. Mixtral 8×7B/8×22B i DBRX potwierdzają praktyczność MoE; Jamba łączy Transformer i Mamba dla bardzo długich kontekstów; FlashAttention‑3 zwiększa przepustowość. <sup>[\[117\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-117)[\[118\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-118)[\[119\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-119)[\[120\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-120)[\[121\]](https://systems-analysis.info/int/Architektury_LLM#cite_note-121)</sup>

## Odnośniki

- <a href="https://jalammar.github.io/illustrated-transformer/" class="external free" rel="nofollow">https://jalammar.github.io/illustrated-transformer/</a> The Illustrated Transformer — wizualne wyjaśnienie

## Literatura

- Vaswani, A. et al. (2017). *Attention Is All You Need*. NIPS. <a href="https://arxiv.org/abs/1706.03762" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762</a>
- Devlin, J. et al. (2019). *BERT*. NAACL. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a>
- Brown, T. et al. (2020). *Language Models are Few‑Shot Learners*. NeurIPS. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a>
- Raffel, C. et al. (2020). *Exploring the Limits of Transfer Learning with a Unified Text‑to‑Text Transformer (T5)*. JMLR. <a href="https://jmlr.org/papers/volume21/20-074/20-074.pdf" class="external free" rel="nofollow">https://jmlr.org/papers/volume21/20-074/20-074.pdf</a>
- Lewis, M. et al. (2019). *BART: Denoising Sequence‑to‑Sequence Pre‑training*. <a href="https://arxiv.org/abs/1910.13461" class="external free" rel="nofollow">https://arxiv.org/abs/1910.13461</a>
- Touvron, H. et al. (2023). *LLaMA*. <a href="https://arxiv.org/abs/2302.13971" class="external free" rel="nofollow">https://arxiv.org/abs/2302.13971</a>
- Chowdhery, A. et al. (2022). *PaLM: Scaling Language Modeling with Pathways*. <a href="https://arxiv.org/abs/2204.02311" class="external free" rel="nofollow">https://arxiv.org/abs/2204.02311</a>
- Dao, T. et al. (2022–2024). *FlashAttention (1/2/3)*. <a href="https://arxiv.org/abs/2205.14135" class="external free" rel="nofollow">https://arxiv.org/abs/2205.14135</a> ; <a href="https://arxiv.org/abs/2307.08691" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08691</a> ; <a href="https://arxiv.org/abs/2407.08608" class="external free" rel="nofollow">https://arxiv.org/abs/2407.08608</a>
- Shazeer, N. (2019). *MQA*. <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a>
- Ainslie, J. et al. (2023). *GQA*. <a href="https://arxiv.org/abs/2305.13245" class="external free" rel="nofollow">https://arxiv.org/abs/2305.13245</a>
- Kwon, W. et al. (2023). *PagedAttention / vLLM*. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a>
- Leviathan, Y. et al. (2023). *Speculative Decoding*. <a href="https://arxiv.org/abs/2211.17192" class="external free" rel="nofollow">https://arxiv.org/abs/2211.17192</a>
- Fedus, W.; Zoph, B.; Shazeer, N. (2021/2022). *Switch Transformers*. <a href="https://arxiv.org/abs/2101.03961" class="external free" rel="nofollow">https://arxiv.org/abs/2101.03961</a>
- Du, N. et al. (2022). *GLaM*. <a href="https://proceedings.mlr.press/v162/du22c/du22c.pdf" class="external free" rel="nofollow">https://proceedings.mlr.press/v162/du22c/du22c.pdf</a>
- Jiang, A.Q. et al. (2024). *Mixtral of Experts*. <a href="https://arxiv.org/abs/2401.04088" class="external free" rel="nofollow">https://arxiv.org/abs/2401.04088</a>
- Databricks (2024). *Introducing DBRX*. <a href="https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm" class="external free" rel="nofollow">https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm</a>
- NVIDIA (2024). *Applying Mixture of Experts in LLM Architectures*. <a href="https://developer.nvidia.com/blog/applying-mixture-of-experts-in-llm-architectures/" class="external free" rel="nofollow">https://developer.nvidia.com/blog/applying-mixture-of-experts-in-llm-architectures/</a>
- Zhou, Y. et al. (2022). *Expert Choice Routing*. <a href="https://arxiv.org/abs/2202.09368" class="external free" rel="nofollow">https://arxiv.org/abs/2202.09368</a>
- Komatsuzaki, A. et al. (2022). *Sparse Upcycling*. <a href="https://arxiv.org/abs/2212.05055" class="external free" rel="nofollow">https://arxiv.org/abs/2212.05055</a>
- Lewis, P. et al. (2020). *RAG*. <a href="https://arxiv.org/abs/2005.11401" class="external free" rel="nofollow">https://arxiv.org/abs/2005.11401</a>
- Beltagy, I. et al. (2020). *Longformer*. <a href="https://arxiv.org/abs/2004.05150" class="external free" rel="nofollow">https://arxiv.org/abs/2004.05150</a>
- Zaheer, M. et al. (2020). *BigBird*. <a href="https://arxiv.org/abs/2007.14062" class="external free" rel="nofollow">https://arxiv.org/abs/2007.14062</a>
- Press, O. et al. (2022). *ALiBi*. <a href="https://arxiv.org/abs/2108.12409" class="external free" rel="nofollow">https://arxiv.org/abs/2108.12409</a>
- Su, J. et al. (2021). *RoFormer (RoPE)*. <a href="https://arxiv.org/abs/2104.09864" class="external free" rel="nofollow">https://arxiv.org/abs/2104.09864</a>
- Chen, S. et al. (2023). *Position Interpolation*. <a href="https://arxiv.org/abs/2306.15595" class="external free" rel="nofollow">https://arxiv.org/abs/2306.15595</a>
- Peng, B. et al. (2023). *YaRN*. <a href="https://arxiv.org/abs/2309.00071" class="external free" rel="nofollow">https://arxiv.org/abs/2309.00071</a>
- Dettmers, T. et al. (2023). *QLoRA*. <a href="https://arxiv.org/abs/2305.14314" class="external free" rel="nofollow">https://arxiv.org/abs/2305.14314</a>
- Rajbhandari, S. et al. (2020). *ZeRO*. <a href="https://www.microsoft.com/en-us/research/publication/zero-memory-optimizations-toward-training-trillion-parameter-models/" class="external free" rel="nofollow">https://www.microsoft.com/en-us/research/publication/zero-memory-optimizations-toward-training-trillion-parameter-models/</a>
- Shoeybi, M. et al. (2019). *Megatron‑LM*. <a href="https://arxiv.org/abs/1909.08053" class="external free" rel="nofollow">https://arxiv.org/abs/1909.08053</a>
- Kaplan, J. et al. (2020). *Scaling Laws*. <a href="https://arxiv.org/abs/2001.08361" class="external free" rel="nofollow">https://arxiv.org/abs/2001.08361</a>
- Hoffmann, J. et al. (2022). *Chinchilla / Compute‑Optimal*. <a href="https://arxiv.org/abs/2203.15556" class="external free" rel="nofollow">https://arxiv.org/abs/2203.15556</a>
- Gemini Team (2023). *Gemini*. <a href="https://arxiv.org/abs/2312.11805" class="external free" rel="nofollow">https://arxiv.org/abs/2312.11805</a>
- Bai, Y. et al. (2022). *Constitutional AI*. <a href="https://arxiv.org/abs/2212.08073" class="external free" rel="nofollow">https://arxiv.org/abs/2212.08073</a>
- OpenAI (2023). *GPT‑4 Technical Report*. <a href="https://arxiv.org/abs/2303.08774" class="external free" rel="nofollow">https://arxiv.org/abs/2303.08774</a>
- OpenAI (2023). *DevDay: GPT‑4 Turbo 128k*. <a href="https://openai.com/index/new-models-and-developer-products-announced-at-devday/" class="external free" rel="nofollow">https://openai.com/index/new-models-and-developer-products-announced-at-devday/</a>
- Zhang, B.; Sennrich, R. (2019). *RMSNorm*. <a href="https://arxiv.org/abs/1910.07467" class="external free" rel="nofollow">https://arxiv.org/abs/1910.07467</a>
- Shazeer, N. (2020). *GLU Variants / SwiGLU*. <a href="https://arxiv.org/abs/2002.05202" class="external free" rel="nofollow">https://arxiv.org/abs/2002.05202</a>
- Gu, A.; Goel, K.; Ré, C. (2021). *S4: Structured State Spaces*. <a href="https://arxiv.org/abs/2111.00396" class="external free" rel="nofollow">https://arxiv.org/abs/2111.00396</a>
- Gu, A.; Dao, T. (2023/2024). *Mamba: Selective State Spaces*. <a href="https://arxiv.org/abs/2312.00752" class="external free" rel="nofollow">https://arxiv.org/abs/2312.00752</a>
- Sun, Y. et al. (2023). *RetNet*. <a href="https://arxiv.org/abs/2307.08621" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08621</a>
- Lieber, O. et al. (2024). *Jamba: Hybrid Transformer‑Mamba*. <a href="https://arxiv.org/abs/2403.19887" class="external free" rel="nofollow">https://arxiv.org/abs/2403.19887</a>
- Dai, Z. et al. (2019). *Transformer‑XL*. <a href="https://arxiv.org/abs/1901.02860" class="external free" rel="nofollow">https://arxiv.org/abs/1901.02860</a>
- Kitaev, N.; Kaiser, L.; Levskaya, A. (2020). *Reformer*. <a href="https://arxiv.org/abs/2001.04451" class="external free" rel="nofollow">https://arxiv.org/abs/2001.04451</a>
- Choromanski, K. et al. (2021). *Performer*. <a href="https://arxiv.org/abs/2009.14794" class="external free" rel="nofollow">https://arxiv.org/abs/2009.14794</a>
- Wang, S. et al. (2020). *Linformer*. <a href="https://arxiv.org/abs/2006.04768" class="external free" rel="nofollow">https://arxiv.org/abs/2006.04768</a>

## Przypisy

1.  <span id="cite_note-Vaswani2017-1">↑ <sup>[1.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Vaswani2017_1-6)</sup> Vaswani, A. et al. (2017). *Attention Is All You Need*. <a href="https://arxiv.org/abs/1706.03762" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762</a></span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-2) Devlin, J. et al. (2019). *BERT*. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a></span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-3) Brown, T. et al. (2020). *Language Models are Few‑Shot Learners*. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a></span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-4) Raffel, C. et al. (2020). *T5*. <a href="https://jmlr.org/papers/volume21/20-074/20-074.pdf" class="external free" rel="nofollow">https://jmlr.org/papers/volume21/20-074/20-074.pdf</a></span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-5) Devlin, J. et al. (2019). *BERT: Pre‑training of Deep Bidirectional Transformers for Language Understanding*. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a></span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-6) Liu, Y. et al. (2019). *RoBERTa: A Robustly Optimized BERT Pretraining Approach*. <a href="https://arxiv.org/abs/1907.11692" class="external free" rel="nofollow">https://arxiv.org/abs/1907.11692</a></span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-7) He, P. et al. (2021). *DeBERTa: Decoding‑enhanced BERT with Disentangled Attention*. <a href="https://arxiv.org/abs/2006.03654" class="external free" rel="nofollow">https://arxiv.org/abs/2006.03654</a></span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-8) Clark, K. et al. (2020). *ELECTRA: Pre‑training Text Encoders as Discriminators Rather Than Generators*. <a href="https://arxiv.org/abs/2003.10555" class="external free" rel="nofollow">https://arxiv.org/abs/2003.10555</a></span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-9) Zaheer, M. et al. (2020). *Big Bird: Transformers for Longer Sequences*. <a href="https://arxiv.org/abs/2007.14062" class="external free" rel="nofollow">https://arxiv.org/abs/2007.14062</a></span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-10) Beltagy, I. et al. (2020). *Longformer: The Long‑Document Transformer*. <a href="https://arxiv.org/abs/2004.05150" class="external free" rel="nofollow">https://arxiv.org/abs/2004.05150</a></span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-11) Shazeer, N. (2019). *Fast Transformer Decoding: One Write‑Head is All You Need* (Multi‑Query Attention). <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a></span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-12) Ainslie, J. et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models from Multi‑Head Checkpoints*. <a href="https://arxiv.org/abs/2305.13245" class="external free" rel="nofollow">https://arxiv.org/abs/2305.13245</a></span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-13) Leviathan, Y. et al. (2023). *Fast Inference from Transformers via Speculative Decoding*. <a href="https://arxiv.org/abs/2211.17192" class="external free" rel="nofollow">https://arxiv.org/abs/2211.17192</a></span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-14) Kwon, W. et al. (2023). *Efficient Memory Management for LLM Serving with PagedAttention (vLLM)*. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a></span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-15) vLLM Docs (2024–2025). *Continuous batching, Chunked prefill, Structured outputs*. <a href="https://docs.vllm.ai/" class="external free" rel="nofollow">https://docs.vllm.ai/</a></span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-16) Brown, T. et al. (2020). *Language Models are Few‑Shot Learners*. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a></span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-17) Ouyang, L. et al. (2022). *InstructGPT (RLHF)*. <a href="https://arxiv.org/abs/2203.02155" class="external free" rel="nofollow">https://arxiv.org/abs/2203.02155</a></span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-18) Rafailov, R. et al. (2023). *Direct Preference Optimization*. <a href="https://arxiv.org/abs/2305.18290" class="external free" rel="nofollow">https://arxiv.org/abs/2305.18290</a></span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-19) Shazeer, 2019. <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a></span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-20) Ainslie, 2023. <a href="https://arxiv.org/abs/2305.13245" class="external free" rel="nofollow">https://arxiv.org/abs/2305.13245</a></span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-21) Leviathan, 2023. <a href="https://arxiv.org/abs/2211.17192" class="external free" rel="nofollow">https://arxiv.org/abs/2211.17192</a></span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-22) Kwon, 2023. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a></span>
23. <span id="cite_note-23">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-23) vLLM Docs. <a href="https://docs.vllm.ai/" class="external free" rel="nofollow">https://docs.vllm.ai/</a></span>
24. <span id="cite_note-24">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-24) OpenAI (2024). *Structured Outputs*. <a href="https://openai.com/index/introducing-structured-outputs-in-the-api/" class="external free" rel="nofollow">https://openai.com/index/introducing-structured-outputs-in-the-api/</a></span>
25. <span id="cite_note-25">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-25) vLLM Docs — Structured outputs. <a href="https://docs.vllm.ai/en/v0.9.2/features/structured_outputs.html" class="external free" rel="nofollow">https://docs.vllm.ai/en/v0.9.2/features/structured_outputs.html</a></span>
26. <span id="cite_note-26">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-26) Kwon, 2023. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a></span>
27. <span id="cite_note-27">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-27) Brown, T. et al. (2020). *Language Models are Few‑Shot Learners*. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a></span>
28. <span id="cite_note-28">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-28) Touvron, H. et al. (2023). *LLaMA: Open and Efficient Foundation Language Models*. <a href="https://arxiv.org/abs/2302.13971" class="external free" rel="nofollow">https://arxiv.org/abs/2302.13971</a></span>
29. <span id="cite_note-29">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-29) Achiam, J. et al. (2023). *GPT‑4 Technical Report*. <a href="https://arxiv.org/abs/2303.08774" class="external free" rel="nofollow">https://arxiv.org/abs/2303.08774</a></span>
30. <span id="cite_note-30">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-30) Meta AI (2024). *Introducing Meta Llama 3*. <a href="https://ai.meta.com/blog/meta-llama-3/" class="external free" rel="nofollow">https://ai.meta.com/blog/meta-llama-3/</a></span>
31. <span id="cite_note-31">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-31) Raffel, C. et al. (2020). *Exploring the Limits of Transfer Learning with a Unified Text‑to‑Text Transformer (T5)*. JMLR. <a href="https://jmlr.org/papers/volume21/20-074/20-074.pdf" class="external free" rel="nofollow">https://jmlr.org/papers/volume21/20-074/20-074.pdf</a></span>
32. <span id="cite_note-32">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-32) Lewis, M. et al. (2019). *BART: Denoising Sequence‑to‑Sequence Pre‑training*. <a href="https://arxiv.org/abs/1910.13461" class="external free" rel="nofollow">https://arxiv.org/abs/1910.13461</a></span>
33. <span id="cite_note-33">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-33) Raffel, C. et al. (2020). *Exploring the Limits of Transfer Learning with a Unified Text‑to‑Text Transformer*. JMLR. <a href="https://jmlr.org/papers/volume21/20-074/20-074.pdf" class="external free" rel="nofollow">https://jmlr.org/papers/volume21/20-074/20-074.pdf</a></span>
34. <span id="cite_note-34">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-34) Lewis, M. et al. (2019). *BART: Denoising Sequence‑to‑Sequence Pre‑training for NLG, Translation, and Comprehension*. <a href="https://arxiv.org/abs/1910.13461" class="external free" rel="nofollow">https://arxiv.org/abs/1910.13461</a></span>
35. <span id="cite_note-35">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-35) Chung, H. W. et al. (2022). *Scaling Instruction‑Finetuned Language Models (FLAN‑T5)*. <a href="https://arxiv.org/abs/2210.11416" class="external free" rel="nofollow">https://arxiv.org/abs/2210.11416</a></span>
36. <span id="cite_note-36">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-36) Shazeer, N. (2020). GLU Variants Improve Transformer. <a href="https://arxiv.org/abs/2002.05202" class="external free" rel="nofollow">https://arxiv.org/abs/2002.05202</a></span>
37. <span id="cite_note-37">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-37) Devlin, J. et al. (2019). BERT: Pre‑training of Deep Bidirectional Transformers for Language Understanding. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a></span>
38. <span id="cite_note-38">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-38) Brown, T. et al. (2020). Language Models are Few‑Shot Learners. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a></span>
39. <span id="cite_note-39">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-39) Touvron, H. et al. (2023). LLaMA: Open and Efficient Foundation Language Models. <a href="https://arxiv.org/abs/2302.13971" class="external free" rel="nofollow">https://arxiv.org/abs/2302.13971</a></span>
40. <span id="cite_note-40">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-40) Chowdhery, A. et al. (2022). PaLM: Scaling Language Modeling with Pathways. <a href="https://arxiv.org/abs/2204.02311" class="external free" rel="nofollow">https://arxiv.org/abs/2204.02311</a></span>
41. <span id="cite_note-41">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-41) Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. <a href="https://arxiv.org/abs/2001.08361" class="external free" rel="nofollow">https://arxiv.org/abs/2001.08361</a></span>
42. <span id="cite_note-42">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-42) Hoffmann, J. et al. (2022). Training Compute‑Optimal Large Language Models. <a href="https://arxiv.org/abs/2203.15556" class="external free" rel="nofollow">https://arxiv.org/abs/2203.15556</a></span>
43. <span id="cite_note-43">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-43) Chen, S. et al. (2023). Extending Context Window via Positional Interpolation. <a href="https://arxiv.org/abs/2306.15595" class="external free" rel="nofollow">https://arxiv.org/abs/2306.15595</a></span>
44. <span id="cite_note-44">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-44) Peng, B. et al. (2023). YaRN: Efficient Context Window Extension of LLMs. <a href="https://arxiv.org/abs/2309.00071" class="external free" rel="nofollow">https://arxiv.org/abs/2309.00071</a></span>
45. <span id="cite_note-45">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-45) Dao, T. et al. (2022–2024). FlashAttention (1/2/3). <a href="https://arxiv.org/abs/2205.14135" class="external free" rel="nofollow">https://arxiv.org/abs/2205.14135</a> ; <a href="https://arxiv.org/abs/2307.08691" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08691</a> ; <a href="https://arxiv.org/abs/2407.08608" class="external free" rel="nofollow">https://arxiv.org/abs/2407.08608</a></span>
46. <span id="cite_note-46">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-46) Shazeer, N. (2019). Fast Transformer Decoding: One Write‑Head is All You Need. <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a></span>
47. <span id="cite_note-47">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-47) Ainslie, J. et al. (2023). GQA. <a href="https://arxiv.org/abs/2305.13245" class="external free" rel="nofollow">https://arxiv.org/abs/2305.13245</a></span>
48. <span id="cite_note-48">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-48) Kwon, W. et al. (2023). Efficient Memory Management for LLM Serving with PagedAttention. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a></span>
49. <span id="cite_note-49">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-49) Leviathan, Y. et al. (2023). Fast Inference from Transformers via Speculative Decoding. <a href="https://arxiv.org/abs/2211.17192" class="external free" rel="nofollow">https://arxiv.org/abs/2211.17192</a></span>
50. <span id="cite_note-Switch-50">↑ <sup>[50.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Switch_50-0)</sup> <sup>[50.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Switch_50-1)</sup> <sup>[50.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Switch_50-2)</sup> Fedus, W.; Zoph, B.; Shazeer, N. (2021/2022). *Switch Transformers*. <a href="https://arxiv.org/abs/2101.03961" class="external free" rel="nofollow">https://arxiv.org/abs/2101.03961</a></span>
51. <span id="cite_note-GLAM-51">↑ <sup>[51.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-GLAM_51-0)</sup> <sup>[51.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-GLAM_51-1)</sup> <sup>[51.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-GLAM_51-2)</sup> Du, N. et al. (2021). *GLaM: Efficient Scaling of Language Models with Mixture‑of‑Experts*. <a href="https://arxiv.org/pdf/2112.06905.pdf" class="external free" rel="nofollow">https://arxiv.org/pdf/2112.06905.pdf</a></span>
52. <span id="cite_note-Mixtral8x7-52">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mixtral8x7_52-0) Mistral AI (2023). *Mixtral of Experts*. <a href="https://mistral.ai/news/mixtral-of-experts/" class="external free" rel="nofollow">https://mistral.ai/news/mixtral-of-experts/</a></span>
53. <span id="cite_note-Mixtral8x7_paper-53">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mixtral8x7_paper_53-0) Jiang, A.Q. et al. (2024). *Mixtral of Experts*. <a href="https://arxiv.org/abs/2401.04088" class="external free" rel="nofollow">https://arxiv.org/abs/2401.04088</a></span>
54. <span id="cite_note-Mixtral8x22-54">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mixtral8x22_54-0) Mistral AI (2024). *Mixtral 8x22B*. <a href="https://mistral.ai/news/mixtral-8x22b" class="external free" rel="nofollow">https://mistral.ai/news/mixtral-8x22b</a></span>
55. <span id="cite_note-DBRX-55">↑ <sup>[55.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-DBRX_55-0)</sup> <sup>[55.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-DBRX_55-1)</sup> Databricks (2024). *Introducing DBRX*. <a href="https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm" class="external free" rel="nofollow">https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm</a></span>
56. <span id="cite_note-NVIDIA_MoE-56">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-NVIDIA_MoE_56-0) NVIDIA (2024). *Applying Mixture of Experts in LLM Architectures*. <a href="https://developer.nvidia.com/blog/applying-mixture-of-experts-in-llm-architectures/" class="external free" rel="nofollow">https://developer.nvidia.com/blog/applying-mixture-of-experts-in-llm-architectures/</a></span>
57. <span id="cite_note-ExpertChoice-57">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-ExpertChoice_57-0) Zhou, Y. et al. (2022). *Mixture‑of‑Experts with Expert Choice Routing*. <a href="https://arxiv.org/abs/2202.09368" class="external free" rel="nofollow">https://arxiv.org/abs/2202.09368</a></span>
58. <span id="cite_note-SparseUpcycling-58">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-SparseUpcycling_58-0) Komatsuzaki, A. et al. (2022). *Sparse Upcycling: Training Mixture‑of‑Experts from Dense Checkpoints*. <a href="https://arxiv.org/abs/2212.05055" class="external free" rel="nofollow">https://arxiv.org/abs/2212.05055</a></span>
59. <span id="cite_note-RAG-59">↑ <sup>[59.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RAG_59-0)</sup> <sup>[59.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RAG_59-1)</sup> <sup>[59.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RAG_59-2)</sup> <sup>[59.3](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RAG_59-3)</sup> Lewis, P. et al. (2020). *Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks*. <a href="https://arxiv.org/abs/2005.11401" class="external free" rel="nofollow">https://arxiv.org/abs/2005.11401</a></span>
60. <span id="cite_note-60">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-60) NVIDIA Blog (2025). *What is Retrieval‑Augmented Generation (RAG)*. <a href="https://blogs.nvidia.com/blog/what-is-retrieval-augmented-generation/" class="external free" rel="nofollow">https://blogs.nvidia.com/blog/what-is-retrieval-augmented-generation/</a></span>
61. <span id="cite_note-61">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-61) Beltagy, I. et al. (2020). *Longformer*. <a href="https://arxiv.org/abs/2004.05150" class="external free" rel="nofollow">https://arxiv.org/abs/2004.05150</a></span>
62. <span id="cite_note-62">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-62) Zaheer, M. et al. (2020). *Big Bird*. <a href="https://arxiv.org/abs/2007.14062" class="external free" rel="nofollow">https://arxiv.org/abs/2007.14062</a></span>
63. <span id="cite_note-63">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-63) Dao, T. et al. (2022). *FlashAttention*. <a href="https://arxiv.org/abs/2205.14135" class="external free" rel="nofollow">https://arxiv.org/abs/2205.14135</a></span>
64. <span id="cite_note-64">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-64) Dao, T. et al. (2023). *FlashAttention‑2*. <a href="https://arxiv.org/abs/2307.08691" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08691</a></span>
65. <span id="cite_note-65">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-65) Shah, M. et al. (2024). *FlashAttention‑3*. <a href="https://arxiv.org/abs/2407.08608" class="external free" rel="nofollow">https://arxiv.org/abs/2407.08608</a></span>
66. <span id="cite_note-66">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-66) Shazeer, N. (2019). *Fast Transformer Decoding: One Write‑Head is All You Need*. <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a></span>
67. <span id="cite_note-67">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-67) Ainslie, J. et al. (2023). *GQA*. <a href="https://arxiv.org/abs/2305.13245" class="external free" rel="nofollow">https://arxiv.org/abs/2305.13245</a></span>
68. <span id="cite_note-68">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-68) Press, O. et al. (2022). ALiBi. <a href="https://arxiv.org/abs/2108.12409" class="external free" rel="nofollow">https://arxiv.org/abs/2108.12409</a></span>
69. <span id="cite_note-69">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-69) Su, J. et al. (2021). RoFormer: Rotary Position Embedding. <a href="https://arxiv.org/abs/2104.09864" class="external free" rel="nofollow">https://arxiv.org/abs/2104.09864</a></span>
70. <span id="cite_note-70">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-70) Touvron, H. et al. (2023). LLaMA: Open and Efficient Foundation Language Models. <a href="https://arxiv.org/abs/2302.13971" class="external free" rel="nofollow">https://arxiv.org/abs/2302.13971</a></span>
71. <span id="cite_note-71">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-71) Chen, S. et al. (2023). Extending Context Window via Positional Interpolation. <a href="https://arxiv.org/abs/2306.15595" class="external free" rel="nofollow">https://arxiv.org/abs/2306.15595</a></span>
72. <span id="cite_note-72">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-72) Peng, B. et al. (2023). YaRN: Efficient Context Window Extension of LLMs. <a href="https://arxiv.org/abs/2309.00071" class="external free" rel="nofollow">https://arxiv.org/abs/2309.00071</a></span>
73. <span id="cite_note-73">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-73) Dai, Z. et al. (2019). *Transformer‑XL: Attentive Language Models Beyond a Fixed‑Length Context*. <a href="https://arxiv.org/abs/1901.02860" class="external free" rel="nofollow">https://arxiv.org/abs/1901.02860</a></span>
74. <span id="cite_note-74">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-74) Kitaev, N.; Kaiser, L.; Levskaya, A. (2020). *Reformer: The Efficient Transformer*. <a href="https://arxiv.org/abs/2001.04451" class="external free" rel="nofollow">https://arxiv.org/abs/2001.04451</a></span>
75. <span id="cite_note-75">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-75) Choromanski, K. et al. (2021). *Rethinking Attention with Performers*. <a href="https://arxiv.org/abs/2009.14794" class="external free" rel="nofollow">https://arxiv.org/abs/2009.14794</a></span>
76. <span id="cite_note-76">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-76) Wang, S. et al. (2020). *Linformer: Self‑Attention with Linear Complexity*. <a href="https://arxiv.org/abs/2006.04768" class="external free" rel="nofollow">https://arxiv.org/abs/2006.04768</a></span>
77. <span id="cite_note-77">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-77) Dettmers, T. et al. (2023). *QLoRA: Efficient Finetuning of Quantized LLMs*. <a href="https://arxiv.org/abs/2305.14314" class="external free" rel="nofollow">https://arxiv.org/abs/2305.14314</a></span>
78. <span id="cite_note-78">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-78) Hinton, G. et al. (2015). *Distilling the Knowledge in a Neural Network*. <a href="https://arxiv.org/abs/1503.02531" class="external free" rel="nofollow">https://arxiv.org/abs/1503.02531</a></span>
79. <span id="cite_note-79">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-79) Sanh, V. et al. (2019). *DistilBERT*. <a href="https://arxiv.org/abs/1910.01108" class="external free" rel="nofollow">https://arxiv.org/abs/1910.01108</a></span>
80. <span id="cite_note-80">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-80) Rajbhandari, S. et al. (2020). *ZeRO: Memory Optimizations Toward Training Trillion‑Parameter Models*. <a href="https://www.microsoft.com/en-us/research/publication/zero-memory-optimizations-toward-training-trillion-parameter-models/" class="external free" rel="nofollow">https://www.microsoft.com/en-us/research/publication/zero-memory-optimizations-toward-training-trillion-parameter-models/</a></span>
81. <span id="cite_note-81">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-81) Shoeybi, M. et al. (2019). *Megatron‑LM: Training Multi‑Billion Parameter Language Models Using Model Parallelism*. <a href="https://arxiv.org/abs/1909.08053" class="external free" rel="nofollow">https://arxiv.org/abs/1909.08053</a></span>
82. <span id="cite_note-82">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-82) Hugging Face. *Transformers Documentation*. <a href="https://huggingface.co/docs/transformers" class="external free" rel="nofollow">https://huggingface.co/docs/transformers</a></span>
83. <span id="cite_note-83">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-83) Hugging Face. *Accelerate Documentation*. <a href="https://huggingface.co/docs/accelerate" class="external free" rel="nofollow">https://huggingface.co/docs/accelerate</a></span>
84. <span id="cite_note-84">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-84) Kaplan, J. et al. (2020). Scaling Laws for Neural Language Models. <a href="https://arxiv.org/abs/2001.08361" class="external free" rel="nofollow">https://arxiv.org/abs/2001.08361</a></span>
85. <span id="cite_note-85">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-85) Hoffmann, J. et al. (2022). Training Compute‑Optimal Large Language Models. <a href="https://arxiv.org/abs/2203.15556" class="external free" rel="nofollow">https://arxiv.org/abs/2203.15556</a></span>
86. <span id="cite_note-S4-86">↑ <sup>[86.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-S4_86-0)</sup> <sup>[86.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-S4_86-1)</sup> <sup>[86.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-S4_86-2)</sup> <sup>[86.3](https://systems-analysis.info/int/Architektury_LLM#cite_ref-S4_86-3)</sup> <sup>[86.4](https://systems-analysis.info/int/Architektury_LLM#cite_ref-S4_86-4)</sup> Gu, A.; Goel, K.; Ré, C. (2021). *Efficiently Modeling Long Sequences with Structured State Spaces (S4)*. <a href="https://arxiv.org/abs/2111.00396" class="external free" rel="nofollow">https://arxiv.org/abs/2111.00396</a></span>
87. <span id="cite_note-Mamba-87">↑ <sup>[87.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mamba_87-0)</sup> <sup>[87.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mamba_87-1)</sup> <sup>[87.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mamba_87-2)</sup> <sup>[87.3](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mamba_87-3)</sup> <sup>[87.4](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Mamba_87-4)</sup> Gu, A.; Dao, T. (2023/2024). *Mamba: Linear‑Time Sequence Modeling with Selective State Spaces*. <a href="https://arxiv.org/abs/2312.00752" class="external free" rel="nofollow">https://arxiv.org/abs/2312.00752</a></span>
88. <span id="cite_note-RetNet-88">↑ <sup>[88.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RetNet_88-0)</sup> <sup>[88.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RetNet_88-1)</sup> <sup>[88.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-RetNet_88-2)</sup> Sun, Y. et al. (2023). *Retentive Network: A Successor to Transformer for Large Language Models*. <a href="https://arxiv.org/abs/2307.08621" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08621</a></span>
89. <span id="cite_note-Jamba-89">↑ <sup>[89.0](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Jamba_89-0)</sup> <sup>[89.1](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Jamba_89-1)</sup> <sup>[89.2](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Jamba_89-2)</sup> <sup>[89.3](https://systems-analysis.info/int/Architektury_LLM#cite_ref-Jamba_89-3)</sup> Lieber, O. et al. (2024). *Jamba: A Hybrid Transformer‑Mamba Language Model*. <a href="https://arxiv.org/abs/2403.19887" class="external free" rel="nofollow">https://arxiv.org/abs/2403.19887</a></span>
90. <span id="cite_note-90">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-90) Radford, A. et al. (2018). Improving Language Understanding by Generative Pre‑Training. <a href="https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf" class="external free" rel="nofollow">https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf</a></span>
91. <span id="cite_note-91">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-91) Devlin, J. et al. (2019). BERT: Pre‑training of Deep Bidirectional Transformers for Language Understanding. <a href="https://arxiv.org/abs/1810.04805" class="external free" rel="nofollow">https://arxiv.org/abs/1810.04805</a></span>
92. <span id="cite_note-92">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-92) Dai, Z. et al. (2019). Transformer‑XL. <a href="https://arxiv.org/abs/1901.02860" class="external free" rel="nofollow">https://arxiv.org/abs/1901.02860</a></span>
93. <span id="cite_note-93">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-93) Radford, A. et al. (2019). Language Models are Unsupervised Multitask Learners. <a href="https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf" class="external free" rel="nofollow">https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf</a></span>
94. <span id="cite_note-94">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-94) Lewis, M. et al. (2019). BART. <a href="https://arxiv.org/abs/1910.13461" class="external free" rel="nofollow">https://arxiv.org/abs/1910.13461</a></span>
95. <span id="cite_note-95">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-95) Raffel, C. et al. (2020). T5. <a href="https://jmlr.org/papers/volume21/20-074/20-074.pdf" class="external free" rel="nofollow">https://jmlr.org/papers/volume21/20-074/20-074.pdf</a></span>
96. <span id="cite_note-96">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-96) Beltagy, I. et al. (2020). Longformer. <a href="https://arxiv.org/abs/2004.05150" class="external free" rel="nofollow">https://arxiv.org/abs/2004.05150</a></span>
97. <span id="cite_note-97">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-97) Zaheer, M. et al. (2020). BigBird. <a href="https://arxiv.org/abs/2007.14062" class="external free" rel="nofollow">https://arxiv.org/abs/2007.14062</a></span>
98. <span id="cite_note-98">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-98) Brown, T. et al. (2020). Language Models are Few‑Shot Learners. <a href="https://arxiv.org/abs/2005.14165" class="external free" rel="nofollow">https://arxiv.org/abs/2005.14165</a></span>
99. <span id="cite_note-99">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-99) Su, J. et al. (2021). RoPE. <a href="https://arxiv.org/abs/2104.09864" class="external free" rel="nofollow">https://arxiv.org/abs/2104.09864</a></span>
100. <span id="cite_note-100">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-100) Press, O. et al. (2021/2022). ALiBi. <a href="https://arxiv.org/abs/2108.12409" class="external free" rel="nofollow">https://arxiv.org/abs/2108.12409</a></span>
101. <span id="cite_note-101">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-101) Fedus, W.; Zoph, B.; Shazeer, N. (2021/2022). Switch Transformers. <a href="https://arxiv.org/abs/2101.03961" class="external free" rel="nofollow">https://arxiv.org/abs/2101.03961</a></span>
102. <span id="cite_note-102">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-102) Du, N. et al. (2021). GLaM. <a href="https://arxiv.org/pdf/2112.06905.pdf" class="external free" rel="nofollow">https://arxiv.org/pdf/2112.06905.pdf</a></span>
103. <span id="cite_note-103">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-103) Hoffmann, J. et al. (2022). Chinchilla. <a href="https://arxiv.org/abs/2203.15556" class="external free" rel="nofollow">https://arxiv.org/abs/2203.15556</a></span>
104. <span id="cite_note-104">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-104) Chowdhery, A. et al. (2022). PaLM. <a href="https://arxiv.org/abs/2204.02311" class="external free" rel="nofollow">https://arxiv.org/abs/2204.02311</a></span>
105. <span id="cite_note-105">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-105) Shazeer, N. (2019). Fast Transformer Decoding. <a href="https://arxiv.org/abs/1911.02150" class="external free" rel="nofollow">https://arxiv.org/abs/1911.02150</a></span>
106. <span id="cite_note-106">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-106) Dao, T. et al. (2022). FlashAttention. <a href="https://arxiv.org/abs/2205.14135" class="external free" rel="nofollow">https://arxiv.org/abs/2205.14135</a></span>
107. <span id="cite_note-107">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-107) Touvron, H. et al. (2023). LLaMA. <a href="https://arxiv.org/abs/2302.13971" class="external free" rel="nofollow">https://arxiv.org/abs/2302.13971</a></span>
108. <span id="cite_note-108">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-108) Zhang, B.; Sennrich, R. (2019). RMSNorm. <a href="https://arxiv.org/abs/1910.07467" class="external free" rel="nofollow">https://arxiv.org/abs/1910.07467</a></span>
109. <span id="cite_note-109">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-109) Shazeer, N. (2020). GLU Variants. <a href="https://arxiv.org/abs/2002.05202" class="external free" rel="nofollow">https://arxiv.org/abs/2002.05202</a></span>
110. <span id="cite_note-110">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-110) Chen, S. et al. (2023). Position Interpolation. <a href="https://arxiv.org/abs/2306.15595" class="external free" rel="nofollow">https://arxiv.org/abs/2306.15595</a></span>
111. <span id="cite_note-111">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-111) Peng, B. et al. (2023). YaRN. <a href="https://arxiv.org/abs/2309.00071" class="external free" rel="nofollow">https://arxiv.org/abs/2309.00071</a></span>
112. <span id="cite_note-112">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-112) Kwon, W. et al. (2023). vLLM/PagedAttention. <a href="https://arxiv.org/abs/2309.06180" class="external free" rel="nofollow">https://arxiv.org/abs/2309.06180</a></span>
113. <span id="cite_note-113">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-113) OpenAI (2023). GPT‑4 Technical Report. <a href="https://arxiv.org/abs/2303.08774" class="external free" rel="nofollow">https://arxiv.org/abs/2303.08774</a></span>
114. <span id="cite_note-114">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-114) Gemini Team (2023). Gemini. <a href="https://arxiv.org/abs/2312.11805" class="external free" rel="nofollow">https://arxiv.org/abs/2312.11805</a></span>
115. <span id="cite_note-115">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-115) Gu, A.; Dao, T. (2023). Mamba. <a href="https://arxiv.org/abs/2312.00752" class="external free" rel="nofollow">https://arxiv.org/abs/2312.00752</a></span>
116. <span id="cite_note-116">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-116) Sun, Y. et al. (2023). RetNet. <a href="https://arxiv.org/abs/2307.08621" class="external free" rel="nofollow">https://arxiv.org/abs/2307.08621</a></span>
117. <span id="cite_note-117">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-117) Jiang, A.Q. et al. (2024). Mixtral of Experts. <a href="https://arxiv.org/abs/2401.04088" class="external free" rel="nofollow">https://arxiv.org/abs/2401.04088</a></span>
118. <span id="cite_note-118">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-118) Mistral AI (2024). Mixtral 8x22B. <a href="https://mistral.ai/news/mixtral-8x22b" class="external free" rel="nofollow">https://mistral.ai/news/mixtral-8x22b</a></span>
119. <span id="cite_note-119">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-119) Databricks (2024). Introducing DBRX. <a href="https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm" class="external free" rel="nofollow">https://www.databricks.com/blog/introducing-dbrx-new-state-art-open-llm</a></span>
120. <span id="cite_note-120">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-120) Lieber, O. et al. (2024). Jamba. <a href="https://arxiv.org/abs/2403.19887" class="external free" rel="nofollow">https://arxiv.org/abs/2403.19887</a></span>
121. <span id="cite_note-121">[↑](https://systems-analysis.info/int/Architektury_LLM#cite_ref-121) Shah, M. et al. (2024). FlashAttention‑3. <a href="https://arxiv.org/abs/2407.08608" class="external free" rel="nofollow">https://arxiv.org/abs/2407.08608</a></span>