1. LLaMA

https://arxiv.org/abs/2302.13971
LLaMA（由Meta推出）和GPT是两种不同的语言模型。以下是LLaMA相对于GPT的一些优点：
● 架构修改：LLaMA在Transformer架构的基础上进行了一些修改。例如，LLaMA使用了预归一化（pre-normalization）而不是后归一化（post-normalization）的方法，这可以提高训练的稳定性。此外，LLaMA还引入了SwiGLU激活函数等架构修改。
预归一化（pre-normalization）和归一化（post-normalization）是Transformer架构中用于处理输入数据的两种不同方法。
在传统的Transformer架构中，归一化通常是在每个Transformer层的自注意力机制和前馈神经网络之后进行的。具体而言，对于每个子层，输入数据会先通过一个残差连接（residual connection）与原始输入相加，然后再进行归一化操作。归一化操作通常使用层归一化（layer normalization）或批归一化（batch normalization）。
相比之下，预归一化是在每个子层的输入之前进行归一化操作。具体而言，输入数据会先进行归一化，然后再通过子层的操作。这种方法可以提高训练的稳定性，因为归一化操作可以减少输入数据的变化范围，使得模型更容易学习。
SwiGLU激活函数是一种用于替代传统ReLU激活函数的改进型激活函数。SwiGLU激活函数在Transformer架构中被用于替代前馈神经网络中的非线性激活函数。SwiGLU激活函数的主要特点是它具有门控机制，