大语言模型（LLM）按架构分类的深度解析

---

1. 仅编码器架构（Encoder-Only）

原理

• 双向注意力机制：通过Transformer编码器同时捕捉上下文所有位置的依赖关系

  # 伪代码示例：BERT的MLM任务
  masked_input = "The [MASK] sat on the mat"
  output = encoder(masked_input)  # 预测[MASK]="cat"
  

• 预训练任务：
  • 掩码语言建模（MLM）：随机遮盖15%的单词进行预测
  • 下一句预测（NSP）：判断两个句子是否连续（后续模型如RoBERTa已移除）

使用场景

• 理解型任务：
  • 文本分类（如情感分析）
  • 命名实体识别（NER）
  • 抽取式问答（如SQuAD）
• 典型应用：
  • Google搜索的BERT集成
  • 金融文档实体抽取

代表模型

• BERT：首个大规模Encoder-Only预训练模型
• RoBERTa：优化训练策略（移除NSP，更大batch size）
• ALBERT：参数共享技术减少内存占用

---

2. 仅解码器架构（Decoder-Only）

原理

• 自回归生成：从左到右逐token预测，依赖前文上下文

  # GPT生成示例（伪代码）
  input = "The cat sat"
  for _ in range(max_len):next_token = decoder(input)[-1]  # 预测下一个tokeninput += next_token
  

• 注意力机制：因果掩码（Causal Mask）确保不泄露未来信息

使用场景

• 生成型任务：
  • 开放域对话（如ChatGPT）
  • 创意写作（故事/诗歌生成）
  • 代码补全（如GitHub Copilot）
• 典型应用：
  • OpenAI的ChatGPT系列
  • Meta的Llama开源模型

代表模型

• GPT系列：从GPT-1到GPT-4的演进
• Llama 2：开源可商用的Decoder-Only模型
• PaLM：Google的大规模纯解码器模型

---

3. 编码器-解码器架构（Encoder-Decoder）

原理

• 两阶段处理：
  1. 编码器压缩输入为上下文表示
  2. 解码器基于该表示自回归生成输出

  # T5翻译示例（伪代码）
  encoder_output = encoder("Hello world")  # 编码
  translation = decoder(encoder_output, start_token="<translate>")  # 生成"你好世界"
  

• 注意力桥接：交叉注意力（Cross-Attention）连接编码器与解码器

使用场景

• 序列到序列任务：
  • 机器翻译（如英译中）
  • 文本摘要（如新闻简报生成）
  • 语义解析（自然语言转SQL）
• 典型应用：
  • Google的T5文本到文本统一框架
  • 客服系统的多轮对话管理

代表模型

• T5：将所有任务统一为text-to-text格式
• BART：去噪自编码预训练，擅长生成任务
• Flan-T5：指令微调增强的多任务版本

---

架构对比图谱

技术指标对比

架构类型	参数量典型值	训练目标	硬件需求（训练）
Encoder-Only	110M-340M	MLM	8-16 GPUs
Decoder-Only	7B-70B	下一个词预测	数百-数千GPUs
Encoder-Decoder	3B-11B	去噪自编码	32-256 GPUs

---

选型建议

1. 选择Encoder-Only当：

   • 需要高精度文本理解（如法律合同分析）
   • 硬件资源有限（可选用ALBERT等轻量版）

2. 选择Decoder-Only当：

   • 需求开放域生成能力（如营销文案创作）
   • 追求零样本/小样本学习（如GPT-3风格应用）

3. 选择Encoder-Decoder当：

   • 处理输入输出长度差异大的任务（如长文档摘要）
   • 需要严格的结构化输出（如自然语言转代码）

注：当前趋势显示Decoder-Only架构（如GPT-4、Llama 2）通过指令微调也能实现部分理解任务能力，但专业场景仍推荐专用架构。