---
title: "Architektury LLM (CS)"
source: "https://systems-analysis.info/int/Architektury_LLM_(CS)"
wiki: "systems-analysis.info/int"
article: "Architektury_LLM_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 437
wiki_created_at: 2026-09-06T22:33:44Z
wiki_modified_at: 2026-09-06T22:33:44Z
downloaded_at: 2026-09-07T22:40:01Z
---

# Architektury LLM (CS)

**Architektury velkých jazykových modelů (LLM)** — to jsou základní principy a struktury, které určují, jak jsou velké jazykové modely budovány, trénovány a jak fungují. Moderní LLM, schopné porozumět lidskému jazyku a generovat ho, jsou téměř výhradně založeny na architektuře **Transformer**<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>, ale zahrnují mnoho vylepšení a různých přístupů zaměřených na zvýšení efektivity, škálovatelnosti a možností.

## Rodiny architektur LLM (transformery)

Moderní velké jazykové modely vycházejí z architektury transformeru<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>, ale využívají ji různými způsoby v závislosti na cíli: porozumět textu, generovat pokračování nebo převést jeden text na jiný. V praxi se rozlišují tři rodiny při zachování základních principů transformeru<sup>[\[2\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-2)[\[3\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-3)[\[4\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-4)</sup>.

### 1. Encoder‑only (pouze kodér)

Model využívá pouze zásobník kodérů a zpracovává celý vstupní text obousměrně. Předtrénování je obvykle postaveno jako masked‑language modeling (MLM, jazykové modelování s maskováním): část tokenů je skryta a model se učí je obnovovat z kontextu. Díky obousměrnému kontextu jsou tyto modely silné v úlohách porozumění a scoringu: klasifikace, rozpoznávání pojmenovaných entit, přeřazování dokumentů a extraktivní QA. Pro autoregresivní generování „od nuly" nejsou určeny.

V praxi se pro rodinu encoder‑only používají také alternativní cíle předtrénování: *replaced token detection (RTD) v ELECTRA* (diskriminátorový model rozpoznává podvržené tokeny) a *kontrastivní učení* bi-encoderů pro sémantické vyhledávání/retrieval (InfoNCE/softmax‑loss na párech „dotaz–dokument", jako v Dense Passage Retrieval). Při použití v RAG vystupují encoder‑only modely buď jako *bi-encoder* (oddělené kódování dotazu a dokumentu pro rychlé ANN vyhledávání), nebo jako *cross-encoder* (společné kódování páru pro přesné přeřazování).

**Výhody:**

- Vysoká kvalita porozumění textu díky obousměrnému kontextu: klasifikace, NER, extrakce faktů, přeřazování, extraktivní QA.
- Paralelní zpracování a vysoká propustnost: jeden dopředný průchod bez auto-regrese; vhodné pro dávkový hromadný scoring.
- Přirozená integrace s vyhledáváním a RAG: v roli bi-encoderu — rychlé sémantické vyhledávání; v roli cross-encoderu — přesné přeřazování.
- Efektivní adaptace: relativně kompaktní varianty (≈100–300 mil. parametrů; BERT‑base ≈110 mil.) po cíleném doladění dosahují vysoké kvality.
- Stabilní latence nezávislá na délce generované odpovědi (bez postupného dekódování); vhodné pro offline scoring rozsáhlých kolekcí.
- Možnost rozšíření kontextového okna u encoderů pomocí relativních/rotačních pozic a/nebo lokálně-řídké pozornosti (např. Longformer/BigBird), což je užitečné pro dlouhé dokumenty.

**Nevýhody:**

- Žádné vlastní generativní schopnosti: pro dialogy a rozvinuté odpovědi je potřeba dekodér nebo externí generativní modul.
- Omezení v interaktivních scénářích: není možná postupná generace se zachováním stavu.
- Neshoda cíle předtrénování s úlohami volné generace: MLM se hůře shoduje s generací ve srovnání s kauzálním modelováním.
- Historicky omezené kontextové okno (často 512 tokenů v základních konfiguracích absolutních pozic); rozšíření vyžaduje speciální schémata pozic/pozornosti a/nebo doladění.
- Pro úlohy retrievalu je nutné samostatné kontrastivní doladění bi-encoderu a/nebo cross-encoderu; bez toho je kvalita vyhledávání/přeřazování obvykle nižší než u specializovaně natrénovaných modelů.

**Reprezentativní modely:** BERT a odvozené modely, dále RoBERTa a DeBERTa (rozšířené varianty encoder‑only); z alternativních cílů předtrénování — ELECTRA (RTD). <sup>[\[5\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-5)[\[6\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-6)[\[7\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-7)[\[8\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-8)[\[9\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-9)[\[10\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-10)</sup>

### 2. Decoder‑only (pouze dekodér)

Využívá pouze zásobník dekodérů s kauzální (levosměrnou) pozorností: model předpovídá další token na základě již zadaného prefixu. Tento tréninkový režim — causal language modeling (CLM) — činí tyto modely přirozenou volbou pro generaci: dialogy, rozvinuté odpovědi, kreativní text, programový kód. Kompromisem je růst latence a objemu KV‑cache při dlouhých promptech. V praxi se pro decoder‑only hojně využívají technické postupy: zmenšení KV‑cache pomocí MQA a GQA, urychlení inference pomocí spekulativního dekódování a serverových optimalizací (PagedAttention/vLLM, continuous batching, chunked prefill).<sup>[\[11\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-11)[\[12\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-12)[\[13\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-13)[\[14\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-14)[\[15\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-15)</sup>

**Výhody:**

- Přirozená generace textu (CLM): silné zero‑shot a few‑shot schopnosti; dobře se škáluje.<sup>[\[16\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-16)</sup>
- Univerzálnost použití: jeden model řeší mnoho úloh pomocí instrukcí a příkladů v promptu; přirozeně se kombinuje s RAG a voláním nástrojů (tool use).
- Vyspělý ekosystém: postupy instrukčního doladění a alignment chování (RLHF, DPO); dostupné open-source i komerční implementace.<sup>[\[17\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-17)[\[18\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-18)</sup>
- Bohatý zásobník optimalizací inference: MQA/GQA zmenšují objem KV‑cache a zvyšují propustnost; spekulativní dekódování urychluje inference bez změny distribuce; PagedAttention/vLLM s continuous batching a chunked prefill zvyšují celkové využití GPU.<sup>[\[19\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-19)[\[20\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-20)[\[21\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-21)[\[22\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-22)[\[23\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-23)</sup>
- Podpora strukturované generace pro striktní formáty odpovědí (JSON/SQL/DSL), což usnadňuje integraci s IS a API.<sup>[\[24\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-24)[\[25\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-25)</sup>

**Nevýhody:**

- Zvýšená latence generace: sekvenční inference; cena nového tokenu roste s délkou již „přečteného" kontextu (KV‑cache).
- Méně výhodný pro profil „dlouhý vstup – krátký výstup" (sumarizace, překlad) ve srovnání s encoder–decoder, kde je vstup kódován jednou.
- Omezení jednosměrným kontextem: v úlohách porozumění někdy zaostává za modely s obousměrnou reprezentací (encoder‑only / encoder–decoder).
- Paměť pro KV‑cache může být „úzkým hrdlem" u dlouhých promptů a velkých dávek; <sup>[\[26\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-26)</sup>
- Kvantizace aktivací/KV (INT8/FP8) urychluje inference, ale může zhoršovat kvalitu na dlouhých kontextech/kódu; vyžaduje pečlivou validaci (zejména při přísných SLA).

**Reprezentativní modely:** GPT‑3, GPT‑4 (detaily architektury a datové sady nejsou veřejně zveřejněny), LLaMA a *Llama 3* (8B/70B, 2024).<sup>[\[27\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-27)[\[28\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-28)[\[29\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-29)[\[30\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-30)</sup>

### 3. Encoder–decoder (kodér–dekodér)

Architektura kombinuje oba komponenty. Encoder pracuje v obousměrném režimu, dekodér — kauzálně. Encoder jednou analyzuje vstup a vytvoří jeho reprezentaci; dekodér generuje výstup s odkazem na tuto reprezentaci prostřednictvím cross‑attention. Tento oddělený přístup je zvláště užitečný tam, kde je potřeba převést dlouhý vstupní text na krátký výstup: strojový překlad, sumarizace, odpovědi na základě dokumentů. Přestože metoda vyžaduje větší celkové výpočetní náklady (dva zásobníky a cross-attention), její výhodou je řízená generace na základě úplné analýzy zdrojového textu; přičemž kódování se provede jednorázově a opakovaně se využívá po celou dobu inference.

**Výhody:**

- Podmíněná generace: dekodér využívá cross‑attention k reprezentaci vstupu. <sup>[\[31\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-31)</sup>
- Efektivní ve scénáři „dlouhý vstup → krátký výstup": vstup je kódován jednou.
- Vhodný pro formát „text‑to‑text" a řízený výstup (úlohové prefixy, spec. instrukce). <sup>[\[32\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-32)</sup>
- Stabilita a efektivita při dlouhém zdroji: ve fázi dekódování roste pouze self‑attention výstupu, zatímco cross‑attention opakovaně využívá fixní klíče/hodnoty od encoderu (vstup se „nepřečítá" při každém kroku).

**Nevýhody:**

- Dva zásobníky zvyšují nároky na paměť a výpočty při trénování i nasazení.
- Na extrémně dlouhých sekvencích je výsledná latence srovnatelná s decoder‑only; auto-regrese zůstává úzkým hrdlem.
- Méně univerzálních chat-modelů než u decoder‑only; častěji se používají jako vysoce kvalitní seq2seq engine pro konkrétní úlohy.
- Při velmi dlouhém vstupu roste paměť pro klíče/hodnoty cross‑attention v každé vrstvě dekodéru (přes celý zdroj), což vyžaduje pečlivé plánování servingu.

**Reprezentativní modely:** T5 (včetně T5 v1.1 a postupů instrukčního doladění ve *FLAN‑T5*) a BART. <sup>[\[33\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-33)[\[34\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-34)[\[35\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-35)</sup>

## Husté (dense) transformery

Klasická a nejrozšířenější architektura LLM: při zpracování každého tokenu se účastní prakticky celá sada parametrů modelu. Na rozdíl od řídkých přístupů (např. Mixture‑of‑Experts) nedochází k selektivní aktivaci podsítí — každý blok pracuje pro každý token. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>

### Princip fungování a architektura

**Základní struktura.** Model je zásobník N stejnorodých transformerových bloků. Každý blok obsahuje:

1.  **Vícehlávou vlastní pozornost (Multi‑Head Self‑Attention).** Pro každý token jsou vypočítány tři vektory: Q (query), K (key), V (value); pozornost je definována jako $\operatorname{softmax}\!\left( \frac{QK^{o}p + M}{\sqrt{d_{k}}} \right) \cdot V$, kde $M$ — maska (kauzální a/nebo padding maska) vylučující nepřípustné pozice. Několik „hlav" pozornosti paralelně zohledňuje různé aspekty kontextu (H hlav, obvykle $d_{head} = \frac{d_{model}}{H}$); jejich počet roste s měřítkem modelu. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>
2.  **Plně propojená síť (Feed‑Forward Network, FFN).** Dvě lineární vrstvy s nelinearitou mezi nimi (obvykle GELU/SiLU; v řadě moderních modelů — SwiGLU). Mezilehlá dimenze je obvykle $\approx 4\, d_{model}$; při použití SwiGLU se často volí $\approx frac83\, d_{model}$ pro zachování srovnatelného počtu parametrů. FFN obsahuje značnou část parametrů. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)[\[36\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-36)</sup>

**Doplňkové komponenty.** Používají se reziduální (residual) spojení a normalizace vrstev; v moderních LLM se častěji uplatňuje Pre‑LN (normalizace před podbloky) — to zlepšuje stabilitu trénování při velké hloubce. Kromě klasické LayerNorm se stále více používá **RMSNorm** (snižuje výpočetní náklady a dobře funguje ve velkých modelech); v některých rodinách se také používá normalizace v prostoru pozornosti (např. normalizace Q/K před softmax). Poziční reprezentace mohou být absolutní nebo relativní; pro dlouhý kontext se de facto standardem stalo RoPE.

##### Příklady modelů a měřítko

- BERT‑Large: 24 vrstev, dimenze 1024, 16 hlav pozornosti, ≈340 mil. parametrů. <sup>[\[37\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-37)</sup>
- GPT‑3 (175B): 96 vrstev, dimenze 12288, 96 hlav pozornosti, ≈175 mld. parametrů. <sup>[\[38\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-38)</sup>
- LLaMA‑65B: 80 vrstev, dimenze 8192, 64 hlav pozornosti, ≈65 mld. parametrů. <sup>[\[39\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-39)</sup>
- PaLM‑540B: 118 vrstev, dimenze řádu 18432, ≈540 mld. parametrů. <sup>[\[40\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-40)</sup>

##### Výhody

- Jednotné bloky, dobře prozkoumané tréninkové režimy a předvídatelné chování při škálování.
- Kvalita se zlepšuje mocninným zákonem při růstu parametrů a dat; compute‑optimal režim předpokládá společné zvyšování velikosti modelu a objemu trénovacích tokenů. <sup>[\[41\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-41)[\[42\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-42)</sup>
- Jedna a táž architektura po doladění pokrývá široké spektrum úloh bez změn na úrovni vrstev.

##### Nevýhody

- Plná vlastní pozornost má kvadratickou složitost podle délky sekvence ($O(n^{2})$), což omezuje kontextové okno. <sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>
- Plná aktivace parametrů při kroku generace: v dekodéru bez MoE cena inference na token roste přibližně úměrně počtu parametrů.
- Úzké hrdlo — propustnost paměti (memory‑bound): načítání vah z HBM často omezuje rychlost inference.

##### Omezení škálování a kontextu

- Paměť pro parametry roste lineárně s velikostí modelu; trénovací paměť se zvyšuje kvůli gradientům a stavům optimalizátoru.
- Základní konfigurace byly historicky omezeny na 2–4 tis. tokenů. Moderní poziční schémata (RoPE) a techniky rozšíření (Position Interpolation, YaRN aj.) umožňují zvětšit okno o řád i více, avšak za cenu dodatečné výpočetní/paměťové zátěže. <sup>[\[43\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-43)[\[44\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-44)</sup>

### Moderní optimalizace

- **FlashAttention.** Přesná pozornost s ohledem na hierarchii paměti GPU; snižuje nároky na paměť a urychluje trénování/inference při dlouhých sekvencích. <sup>[\[45\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-45)</sup>
- **Redukce a správa KV‑cache.** Multi‑Query Attention a Grouped‑Query Attention zmenšují objem cache a přenosy paměti; na úrovni serveru PagedAttention (vLLM) zvyšuje propustnost díky stránkovému správci cache. <sup>[\[46\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-46)[\[47\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-47)[\[48\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-48)</sup>
- **Spekulativní dekódování.** Koncepční (draft) model navrhuje pokračování a hlavní model ho rychle ověří; dosahuje se urychlení bez změny distribuce výstupu. <sup>[\[49\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-49)</sup>

## Řídké modely (Sparse Models) a Mixture‑of‑Experts (MoE)

MoE je způsob, jak zvýšit kapacitu modelu bez proporcionálního růstu výpočtů na token. Místo jednoho velkého FFN bloku ve vrstvě se používá sada paralelních „expertů" (několik nezávislých FFN) a trénovatelný směrovač (gating network) pro každý token vybírá top‑k nejrelevantnějších expertů (obvykle k=1–2; v některých modelech k=4). Aktivují se pouze vybraní experti; jejich výstupy jsou váženy a sčítány. Celkový počet parametrů tak může dosahovat stovek miliard a dokonce bilionů, ale v každém kroku je využita pouze malá část. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Switch-50)[\[51\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-GLAM-51)</sup>

#### Příklady modelů a měřítko

- **Switch Transformer (Google)**: až ~1.6T parametrů; top‑1 směrování (jeden expert na token). Ukázal, že MoE umožňuje výrazně navýšit kapacitu při srovnatelných nákladech na token. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Switch-50)</sup>
- **GLaM (Google)**: 1.2T parametrů, 64 expertů ve vrstvě, top‑2; na každý token se aktivuje ≈96.6B parametrů (≈8%). <sup>[\[51\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-GLAM-51)</sup>
- **Mixtral 8×7B (Mistral AI)**: ~46.7B parametrů celkem, ≈12.9B aktivních na token, top‑2. <sup>[\[52\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mixtral8x7-52)[\[53\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mixtral8x7_paper-53)</sup>
- **Mixtral 8×22B**: ~141B parametrů celkem, ≈39B aktivních na token, top‑2. <sup>[\[54\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mixtral8x22-54)</sup>
- **DBRX (Databricks)**: 132B parametrů celkem, ≈36B aktivních na token; 16 expertů a top‑4 směrování (fine‑grained MoE). <sup>[\[55\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-DBRX-55)</sup>

##### Výhody

- Výpočetní náklady jsou určeny počtem aktivních expertů k, nikoli celkovým počtem parametrů: lze trénovat a používat modely bilionového měřítka při nákladech srovnatelných s hustými modely výrazně menší velikosti. <sup>[\[51\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-GLAM-51)</sup>
- Specializace: experti se automaticky „přizpůsobují" jazykům/doménám/vzorům, čímž zlepšují kvalitu v multidoménových úlohách.
- Flexibilní nasazení: lze udržovat v paměti často používané experty a načítat vzácné (při odpovídající infrastruktuře).

##### Omezení

- Vyvažování zátěže: bez regularizace může směrovač „lpět" na části expertů (router collapse). Jsou potřeba auxiliary losses (load‑balancing) a vylepšená schémata směrování. <sup>[\[50\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Switch-50)</sup>
- Složitost distribuovaných výpočtů: vyžaduje expert parallelism a výměnu all‑to‑all; komunikační náklady a správa paměti se stávají úzkým hrdlem. <sup>[\[56\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-NVIDIA_MoE-56)</sup>
- Stabilita trénování: důležité jsou nastavení routeru a omezení kapacity (capacity), jinak může docházet k degradaci kvality/konvergence.

#### Moderní vylepšení

- **Expert‑Choice routing**: experti „vybírají" tokeny, což zlepšuje vyvažování a konvergenci při srovnatelných nákladech. <sup>[\[57\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-ExpertChoice-57)</sup>
- **Fine‑grained MoE**: větší počet menších expertů (jako v DBRX) poskytuje jemnější granularitu specializace. <sup>[\[55\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-DBRX-55)</sup>
- **Sparse Upcycling**: převod hustého modelu na MoE z jeho checkpointu umožňuje výrazně zvýšit kvalitu při umírněných nákladech. <sup>[\[58\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-SparseUpcycling-58)</sup>

#### Vhodnost použití MoE

- Rozsáhlí multidoménoví asistenti při omezeném compute‑rozpočtu.
- Trénování na rozsáhlých korpusech, kde specializace přináší výhodu.
- Scénáře s vyvinutou distribuovanou infrastrukturou (mnoho GPU/TPU a rychlé sítě).

**Kdy jsou lepší husté modely**: omezená infrastruktura (1–2 GPU), přísné požadavky na předvídatelnou latenci a jednoduchost nasazení.

## Retrieval‑Augmented Generation (RAG)

RAG je architekturální **vzor systému** kolem LLM, nikoli interní architektura samotného modelu. Kombinuje LLM (generativní komponent) s externí znalostní bází (komponent extrakce), což umožňuje kompenzovat omezenost „parametrické paměti" modelu.

- **Princip fungování:** Před generací LLM extrahuje relevantní dokumenty z externího zdroje (wiki, podniková znalostní báze, web) a opírá se o ně při formulování odpovědi. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RAG-59)</sup>
- **Výhody:**
  - Snížení halucinací a zlepšení faktické přesnosti. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RAG-59)[\[60\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-60)</sup>
  - Aktuálnost bez úplného přetrénování modelu. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RAG-59)</sup>
  - Citovatelnost a sledovatelnost odpovědí.
- **Použití:** De facto standard pro podnikové asistenty a systémy, kde jsou vyžadovány ověřitelné fakty a práce se soukromými/úzce specializovanými daty. <sup>[\[59\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RAG-59)</sup>

## Mechanismy pozornosti a práce s kontextem

Základní vlastní pozornost má kvadratickou složitost podle délky sekvence ($O(n^{2})$), proto vznikly optimalizace.

- **Řídká pozornost (Sparse Attention):** Omezení pozornosti na lokální okna/vzory. Příklady: **Longformer**<sup>[\[61\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-61)</sup>, **BigBird**<sup>[\[62\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-62)</sup>.
- **FlashAttention:** Přeuspořádání pořadí výpočtů s ohledem na hierarchii paměti GPU; přináší výrazný zisk z hlediska času a paměti a stala se de facto standardem při trénování LLM s dlouhým kontextem<sup>[\[63\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-63)[\[64\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-64)[\[65\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-65)</sup>.
- **MQA/GQA (urychlení dekódování):** *Multi‑Query Attention* (sdílené klíče/hodnoty pro všechny hlavy) snižuje přenosy KV‑cache<sup>[\[66\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-66)</sup>. *Grouped‑Query Attention* vyvažuje kvalitu/rychlost<sup>[\[67\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-67)</sup>.
- **Vylepšené poziční reprezentace:**
  - **ALiBi (Attention with Linear Biases):** Lineární posuny skóre pozornosti zlepšují generalizaci na větší délky. <sup>[\[68\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-68)</sup>
  - **RoPE (Rotary Position Embeddings):** Relativní poziční informace prostřednictvím rotace Q/K; hojně využíváno v moderních modelech (např. LLaMA). <sup>[\[69\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-69)[\[70\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-70)</sup>
  - **Rozšíření kontextu pro RoPE‑modely:** *Position Interpolation* <sup>[\[71\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-71)</sup>, *YaRN* <sup>[\[72\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-72)</sup> a NTK-aware modifikace umožňují efektivně zvětšovat kontextové okno bez změny architektury.

<!-- -->

- **Další přístupy k dlouhým sekvencím:**
  - **Transformer‑XL:** rekurentní paměť mezi segmenty pro modelování vzdálených závislostí. <sup>[\[73\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-73)</sup>
  - **Reformer:** LSH‑attention a reversibilní reziduální bloky pro úsporu paměti. <sup>[\[74\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-74)</sup>
  - **Performer:** lineární aproximace softmax‑attention (FAVOR+). <sup>[\[75\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-75)</sup>
  - **Linformer:** nízkohodnostní aproximace matice pozornosti. <sup>[\[76\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-76)</sup>

## Optimalizace modelů a infrastruktura trénování

Pro trénování a nasazení LLM se používají specializované techniky a frameworky.

- **Kvantizace (Quantization):** Snížení bitové šířky vah zmenšuje paměť a urychluje inference. **QLoRA** umožňuje efektivní doladění 4‑bitových modelů (včetně 65B) při kvalitě blízké plné přesnosti<sup>[\[77\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-77)</sup>.
- **Destilace znalostí (Knowledge Distillation):** *Teacher→Student* trénování pro kompaktní modely<sup>[\[78\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-78)</sup>; příkladem je **DistilBERT**<sup>[\[79\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-79)</sup>.
- **Distribuované trénování:**
  - **DeepSpeed** a **ZeRO** — distribuce parametrů/gradientů/stavů optimalizátoru pro trénování bilionových modelů<sup>[\[80\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-80)</sup>.
  - **Megatron‑LM** — tenzorový a pipeline paralelismus pro velmi velké transformery<sup>[\[81\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-81)</sup>.
- **Ekosystém a nástroje:** **Hugging Face Transformers** a **Accelerate** poskytují standardní implementace modelů a integraci s DeepSpeed/FSDP pro trénování a inference<sup>[\[82\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-82)[\[83\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-83)</sup>.

## Zákony škálování a compute‑optimal trénování

Empirickými **zákony škálování** je ukázáno, že křížová entropická chyba klesá mocninným zákonem při růstu parametrů, dat a výpočtů. <sup>[\[84\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-84)</sup> Práce **Chinchilla** upřesnila režimy **compute‑optimal**: pro optimální efektivitu by měly být velikost modelu a počet trénovacích tokenů škálovány společně (příkladem je model 70B trénovaný na ~1.4T tokenech, který překonává větší nedotrénované modely). <sup>[\[85\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-85)</sup>

## Modely s prostorem stavů (State Space Models, SSM)

**State Space Models (SSM)** — alternativní architektura k transformerům pro práci s dlouhými sekvencemi. Čerpá z teorie řízení a digitálního zpracování signálů a řeší hlavní problém self‑attention: kvadratický růst výpočtů s rostoucí délkou textu.

### Základní problém a řešení

**Problém transformerů.** Hlavní problém tradičních transformerů — kvadratická složitost pozornosti: text desetkrát delší vyžaduje přibližně stonásobně více výpočtů.

**Přístup SSM.** Místo „současného zaměření na všechna slova najednou" model postupuje textem sekvenčně a udržuje kompaktní vnitřní **paměťový stav**, který se aktualizuje v každém kroku. Výsledkem je, že čas i spotřeba paměti rostou přibližně lineárně s délkou textu. Přitom trénování může probíhat paralelně — prostřednictvím konvoluční reprezentace jádra (vysoká propustnost na dlouhých sekvencích). <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-S4-86)</sup>

### Princip fungování

Diskrétní SSM je popsána rovnicemi stavu a výstupu:

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

kde $x_{t}$ — paměťový stav, $u_{t}$ — vstup (token), $y_{t}$ — výstup. V hlubokých SSM jsou matice $A,B,C,D$ parametrizovány tak, aby zajistily stabilitu a efektivní výpočty na dlouhých sekvencích. Stejnou vrstvu lze interpretovat jako:

- rekurentní (skenování po krocích) — paměťově úsporná inference bez KV‑cache;
- konvoluční — paralelní trénování s předpočítaným jádrem. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-S4-86)</sup>

### Hlavní architektury a hybridy

- **S4 (Structured State Spaces).** Základní linie SSM se stabilní parametrizací matice stavu; vykazuje efektivitu na velmi dlouhých sekvencích. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-S4-86)</sup>
- **Mamba.** *Selektivní* SSM: pravidla aktualizace paměti závisí na aktuálním vstupu (model sám rozhoduje, co „držet v paměti" a co „zapomenout"). Implementace je zaměřena na hierarchii paměti GPU; podle autorů je dosažen násobný nárůst propustnosti inference při lineární složitosti podle délky. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mamba-87)</sup>
- **RetNet.** Mechanismus *retention* se třemi režimy: paralelní trénování, rekurentní a blokově-rekurentní inference. Cílem je spojit rychlé trénování (jako u transformerů) s ekonomickým průtokem při inference (O(1) paměť na token). <sup>[\[88\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RetNet-88)</sup>
- **Hybridy Attention+SSM.** Příkladem je **Jamba** (střídání vrstev Transformer a Mamba plus MoE): udává podporu kontextů řádu ~256 K tokenů při výrazně nižších nárocích na paměť ve srovnání s čistě transformerovými modely podobné třídy. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Jamba-89)</sup>

#### Výhody

- Lineární složitost a úspora paměti při inference. Není globální self‑attention ani KV‑cache; uchovává se pouze kompaktní stav. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mamba-87)[\[88\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RetNet-88)</sup>
- Paralelní trénování na dlouhých sekvencích. Konvoluční režim zvyšuje propustnost trénování. <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-S4-86)</sup>
- Hardwarová efektivita. Implementace jsou zaměřeny na moderní hierarchii paměti (HBM/SRAM). <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mamba-87)</sup>
- Dlouhé kontexty a streaming. Hybridy SSM+Attention jsou praktické pro stovky tisíc tokenů při umírněných zdrojích. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Jamba-89)</sup>

#### Omezení a současná praxe

- Vyspělost ekosystému. Nástroje a „recepty" škálování (instrukce, RLHF/DPO) zatím zaostávají za transformerovým zásobníkem. <sup>[\[87\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mamba-87)</sup>
- Kvalita a stabilita. V řadě úloh vykazují hybridy (Attention+SSM) stabilnější kompromis „kvalita/rychlost/paměť" než „čisté" SSM. <sup>[\[89\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Jamba-89)</sup>

#### Srovnání přístupů (souhrnně)

| Charakteristika            | Transformery                 | SSM                       | Hybridy (Attention+SSM) |
|----------------------------|------------------------------|---------------------------|-------------------------|
| Složitost podle délky      | Kvadratická (self‑attention) | Lineární (sken/konvoluce) | Blízká lineární         |
| Paměť na token (inference) | KV‑cache roste s kontextem   | O(1) stav                 | Mírný růst              |
| Dlouhé kontexty            | Vyžadují spec. optimalizace  | Přirozená podpora         | Praktické do ~256 K     |
| Vyspělost ekosystému       | Vysoká                       | Rozvíjející se            | Rozvíjející se          |

#### Praktická použití

- Analýza velmi dlouhých dokumentů (knihy, zprávy, vědecké přehledy).
- Proudové zpracování a chat scénáře s dlouhou historií bez zdražení paměti.
- Prostředí s omezenými zdroji (mobilní/edge zařízení).
- Časové řady a další sekvenční data.

**Reprezentativní modely:** S4, Mamba, RetNet; hybridy Attention+SSM (Jamba). <sup>[\[86\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-S4-86)[\[87\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Mamba-87)[\[88\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-RetNet-88)[\[89\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Jamba-89)</sup>

## Evoluce architektur

- 2017 — publikován článek „Attention Is All You Need". Představena architektura transformeru: vícehlává vlastní pozornost a poziční kódování umožňují trénovat modely bez rekurence a konvolucí; přitom pozornost má kvadratickou složitost podle délky kontextu.<sup>[\[1\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-Vaswani2017-1)</sup>

<!-- -->

- 2018 — představeny GPT‑1 a BERT. GPT‑1 využívá zásobník pouze dekodérů s kauzální pozorností pro generaci a následné doladění; BERT zavádí obousměrný encoder a předtrénování MLM pro úlohy porozumění textu. <sup>[\[90\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-90)[\[91\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-91)</sup>

<!-- -->

- 2019 — navrženy způsoby práce s dlouhými sekvencemi a škálován decoder‑only. Transformer‑XL přidává „paměť" a relativní pozice pro přesah za hranice pevného okna; GPT‑2 ukazuje růst zero‑shot schopností při zvýšení měřítka; BART demonstruje efektivitu denoising předtrénování pro seq2seq. <sup>[\[92\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-92)[\[93\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-93)[\[94\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-94)</sup>

<!-- -->

- 2020 — sjednocen formát „text‑to‑text" a ukázány metody pro dlouhé dokumenty. T5 formuluje jednotný přístup encoder–decoder pro různé úlohy; Longformer a BigBird využívají řídkou/strukturovanou pozornost pro dlouhé texty; GPT‑3 potvrzuje efektivitu škálování hustého decoder‑only. <sup>[\[95\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-95)[\[96\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-96)[\[97\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-97)[\[98\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-98)</sup>

<!-- -->

- 2021 — vylepšeny poziční reprezentace a ukázána řídkost parametrů (MoE). RoPE a ALiBi zlepšují generalizaci na větší délky; Switch Transformer a GLaM aktivují pouze část expertů na token, čímž zvyšují kapacitu bez násobného růstu ceny výstupu. <sup>[\[99\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-99)[\[100\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-100)[\[101\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-101)[\[102\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-102)</sup>

<!-- -->

- 2022 — upřesněn compute‑optimal režim a urychlena inference na dlouhých promptech. Chinchilla ukazuje výhodu většího počtu trénovacích tokenů při umírněné velikosti modelu; PaLM s Multi‑Query Attention snižuje objem KV‑cache; FlashAttention urychluje pozornost na GPU. <sup>[\[103\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-103)[\[104\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-104)[\[105\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-105)[\[106\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-106)</sup>

<!-- -->

- 2023 — zvětšena kontextová okna bez změny vrstev a vylepšena serverová obsluha. Řada LLaMA upevňuje postupy (RMSNorm, SwiGLU, RoPE); Position Interpolation a YaRN rozšiřují kontext; vLLM/PagedAttention efektivněji spravuje KV‑cache. <sup>[\[107\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-107)[\[108\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-108)[\[109\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-109)[\[110\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-110)[\[111\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-111)[\[112\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-112)</sup>

<!-- -->

- 2023 — GPT‑4 a Gemini demonstrují zpracování a generaci ve více modalitách v rámci jedné rodiny modelů. <sup>[\[113\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-113)[\[114\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-114)</sup>

<!-- -->

- 2023 — navrženy modely s prostorem stavů (SSM). Mamba a RetNet navracejí sekvenční zpracování s kompaktním stavem místo KV‑cache a pokládají základy pro hybridní architektury. <sup>[\[115\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-115)[\[116\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-116)</sup>

<!-- -->

- 2024 — zveřejněny open-source MoE modely a hybridy Attention+SSM; urychlena pozornost na nových GPU. Mixtral 8×7B/8×22B a DBRX potvrzují praktičnost MoE; Jamba kombinuje Transformer a Mamba pro velmi dlouhé kontexty; FlashAttention‑3 zvyšuje propustnost. <sup>[\[117\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-117)[\[118\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-118)[\[119\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-119)[\[120\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-120)[\[121\]](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_note-121)</sup>

## Odkazy

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

## 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>

## Poznámky

1.  <span id="cite_note-Vaswani2017-1">↑ <sup>[1.0](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Vaswani2017_1-5)</sup> <sup>[1.6](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-Switch_50-0)</sup> <sup>[50.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Switch_50-1)</sup> <sup>[50.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#cite_ref-GLAM_51-0)</sup> <sup>[51.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-GLAM_51-1)</sup> <sup>[51.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-DBRX_55-0)</sup> <sup>[55.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-RAG_59-0)</sup> <sup>[59.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-RAG_59-1)</sup> <sup>[59.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-RAG_59-2)</sup> <sup>[59.3](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#cite_ref-S4_86-0)</sup> <sup>[86.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-S4_86-1)</sup> <sup>[86.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-S4_86-2)</sup> <sup>[86.3](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-S4_86-3)</sup> <sup>[86.4](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#cite_ref-Mamba_87-0)</sup> <sup>[87.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Mamba_87-1)</sup> <sup>[87.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Mamba_87-2)</sup> <sup>[87.3](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Mamba_87-3)</sup> <sup>[87.4](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#cite_ref-RetNet_88-0)</sup> <sup>[88.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-RetNet_88-1)</sup> <sup>[88.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#cite_ref-Jamba_89-0)</sup> <sup>[89.1](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Jamba_89-1)</sup> <sup>[89.2](https://systems-analysis.info/int/Architektury_LLM_(CS)#cite_ref-Jamba_89-2)</sup> <sup>[89.3](https://systems-analysis.info/int/Architektury_LLM_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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_(CS)#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>