LLM 术语全景图（十一）：术语关系总览与核心趋势

这是「大模型训练与推理术语全景图」系列的第 11 篇（系列收尾），不引入新概念，而是把前 10 篇的 64 个术语放回它们的关系网络中：注意力机制的演进谱系、模型与术语的对照、并行策略的组合、量化方法的选型、GPU 精度与算力。最后给出 10 条核心趋势和参考资源索引。主要参考来源：前 10 篇引用的全部论文与技术报告

开篇：把 64 个术语放回关系网络

本篇是系列收尾，不引入新概念，而是把前 10 篇的 64 个术语放回它们的关系网络中：注意力机制的演进谱系、模型与术语的对照、并行策略的组合、量化方法的选型、GPU 精度与算力。最后给出 10 条核心趋势和参考资源索引。

注意力机制演进关系图

MHA (原始 Transformer)
├── MQA (极端共享 K/V，1 组)
├── GQA (分组共享 K/V，当前主流)
│   └── + QK-Norm (稳定性增强)
├── MLA (低维压缩 K/V，DeepSeek 首创)
│   ├── + DSA (稀疏选择，DeepSeek V3.2)
│   │   └── + IndexShare (复用 indexer，GLM-5.2)
│   └── + CSA/HCA (序列压缩，DeepSeek V4)
├── CCA (压缩空间直接计算，ZAYA1)
├── Lightning Attention (线性注意力，MiniMax)
├── KDA (改进线性注意力，Kimi Linear)
├── SWA (固定窗口)
│   └── + Global (混合，Gemma 3/Laguna)
├── NoPE (无位置编码层)
└── Hybrid (以上混合，2025-2026 趋势)
    ├── 3:1 线性+全局 (Kimi Linear, Qwen3-Next)
    ├── 5:1 SWA+全局 (Gemma 3)
    └── CSA+HCA 交替 (DeepSeek V4)

模型与术语对照表

模型	注意力	架构	位置编码	后训练	特殊技术
DeepSeek V3	MLA	MoE (256+1)	RoPE	SFT + RL	MTP, 无辅助损失路由
DeepSeek R1	MLA	MoE (256+1)	RoPE	SFT + GRPO	RLVR, 蒸馏, “Aha Moment”
DeepSeek V4	CSA + HCA	MoE + mHC	RoPE	—	mHC, Muon, 序列压缩
GLM-5	MLA + DSA	MoE (256+1)	RoPE	SFT + RL	DSA
GLM-5.2	MLA + DSA + IndexShare	MoE (256+1)	RoPE	SFT + RL	IndexShare (indexer 复用 4 层)
Kimi K2	MLA	MoE (384+1)	RoPE	SFT + RL	MuonClip
Kimi Linear	KDA + MLA (3:1)	MoE	NoPE (线性层)	—	KDA, 线性注意力
MiniMax-01/M1	Lightning Attention + Full	MoE (32)	RoPE	RL (CISPO)	闪电注意力, 1M 上下文
MiniMax M2	Full Attention (回归)	MoE	RoPE	RL	放弃线性注意力
Qwen3	GQA + QK-Norm	Dense / MoE	RoPE	SFT + DPO/GRPO	—
Qwen3-Next	Gated DeltaNet + Full (3:1)	MoE	NoPE (线性层)	—	线性注意力混合
Llama 3/4	GQA	Dense / MoE	RoPE	SFT + RLHF	Chunked attention (Llama 4)
Gemma 3	GQA + SWA (5:1) + QK-Norm	Dense	RoPE	SFT + RLHF	—
Gemma 4	MQA + Cross-Layer KV	Dense / MoE	RoPE	—	KV 共享, Per-Layer Emb
GPT-4/o1	(闭源)	(闭源)	(闭源)	RLHF	推理模型
Claude 3.5/4	(闭源)	(闭源)	(闭源)	Constitutional AI	—

注：DeepSeek V3/R1 技术报告未明确记载 QK-Norm，故注意力列只标 MLA。QK-Norm 的采用模型见篇 02。

并行策略关系图

训练并行
├── DP (数据并行) — 每卡完整模型，分数据
│   ├── ZeRO-1 (分片优化器状态)
│   ├── ZeRO-2 (+ 分片梯度)
│   ├── ZeRO-3 / FSDP (+ 分片参数)
│   │   └── ZeRO-Infinity (卸载到 CPU/NVMe)
│   └── 嵌套 FSDP (按层分片)
├── TP (张量并行) — 层内切分权重，NVLink 域
│   ├── Attention: Q/K/V 列并行 → 输出行并行
│   └── FFN: 第1层列并行 → 第2层行并行
├── PP (流水线并行) — 层间切分，可跨节点
│   ├── GPipe (微批次填充)
│   └── 1F1B (交替调度，省激活内存)
├── EP (专家并行) — MoE 专用，All-to-All 路由
├── CP (上下文并行) — 序列切分，超长上下文
│   ├── Ring Attention (环形 KV 传递)
│   └── Ulysses (All-to-All head 重排)
└── SP (序列并行) — TP 辅助，切分 LayerNorm/Dropout

推理并行（通常更简单）
├── TP (张量并行) — 多卡共服务一个请求
├── EP (专家并行) — MoE 推理标配
├── CP (上下文并行) — 1M token 超长上下文
└── 分离式 — Prefill 池 + Decode 池

量化方法对比

方法	精度	硬件要求	校准	精度损失	适用场景
GPTQ	INT4/INT8	A100+	需要	< 1%	权重量化，通用
AWQ	INT4/INT8	A100+	需要	< 1%	权重量化，快于 GPTQ
SmoothQuant	INT8	A100+	需要	< 1%	W8A8，激活也量化
FP8	FP8	Hopper+	可选	< 0.5%	推理首选，算力翻倍
GGUF	2-8 bit	CPU/Metal	无需	可控	消费级硬件本地部署
QAT	任意	同训练	训练	最小	精度要求极高场景

GPU 精度与算力对照

精度	H100 算力	B200 算力	用途	备注
FP32	67 TFLOPS	—	优化器状态	非 Tensor Core
TF32	495 TFLOPS	—	兼容 FP32	自动降精度
BF16	989 TFLOPS	2.2 PFLOPS	训练默认	Tensor Core
FP16	989 TFLOPS	2.2 PFLOPS	推理/训练	需 loss scaling
FP8	1979 TFLOPS	4.5 PFLOPS	推理/训练	Hopper 新增
INT8	1979 TFLOPS	—	推理	需校准
FP4	—	9 PFLOPS	推理	Blackwell 新增

核心趋势总结

KV Cache 是第一瓶颈：MLA → DSA → CSA/HCA → 线性注意力，所有创新都围绕降低 KV Cache 成本
混合架构成为主流：纯完整注意力 → 3:1 / 5:1 混合，完整注意力成为稀缺资源
MoE 普及：大模型几乎全部 MoE 化，激活比持续下降（DeepSeek V4 ~4%）
RL 驱动推理能力：GRPO/RLVR 替代传统 RLHF，涌现推理行为
训练优化器更新：AdamW → Muon，收敛效率提升
残差连接也在进化：标准残差 → mHC 多残差流，信息通路更宽
FP8 取代 INT8：Hopper GPU 原生 FP8 支持，浮点量化几乎无损且算力翻倍
推理分离式架构：Prefill/Decode 分池部署，各阶段独立优化，吞吐提升 30-60%
并行策略组合化：大模型训练标配 TP+EP+PP+DP/ZeRO 多维并行，推理标配 TP+EP
PEFT 成为微调标配：LoRA/QLoRA 使单卡微调 70B 模型成为可能，多 LoRA 热切换服务

本篇小结

本篇是系列收尾，不引入新概念，而是把前 10 篇的 64 个术语放回关系网络：

演进谱系图把注意力机制从 MHA 到 MLA、CSA/HCA、线性注意力、混合架构的分支与组合画在一棵树上，让前两篇的概念回到同一张图里。
模型与术语对照表把 15 个代表模型按注意力、架构、位置编码、后训练、特殊技术五列对齐，读者可横向对照"谁用了什么"。
并行策略关系图把训练侧的 DP/TP/PP/EP/CP/SP 与推理侧的 TP/EP/CP/分离式分别画出，呼应篇 6。
量化方法对比表把 GPTQ/AWQ/SmoothQuant/FP8/GGUF/QAT 按精度、硬件、校准、精度损失、适用场景五列对齐，呼应篇 8。
GPU 精度与算力对照表把 FP32 到 FP4 的算力与用途对齐，呼应篇 7。
核心趋势 10 条浓缩全系列主线：KV Cache 是第一瓶颈、混合架构主流化、MoE 普及、RL 驱动推理、优化器更新、残差进化、FP8 取代 INT8、推理分离式架构、并行策略组合化、PEFT 成微调标配。

本篇的价值不在于新知识，而在于把分散在 10 篇里的术语重新编织成一张可查阅的关系网——单篇看细节，本篇看整体。

参考资源汇总

核心参考文章

Sebastian Raschka “The Big LLM Architecture Comparison”: https://magazine.sebastianraschka.com/p/the-big-llm-architecture-comparison
Sebastian Raschka “A Visual Guide to Attention Variants”: https://magazine.sebastianraschka.com/p/visual-attention-variants
Sebastian Raschka “Recent Developments in LLM Architectures” (CSA/HCA/mHC): https://magazine.sebastianraschka.com/p/recent-developments-in-llm-architectures
Sebastian Raschka “From DeepSeek V3 to V3.2”: https://magazine.sebastianraschka.com/p/technical-deepseek
Sebastian Raschka “GLM-5.2 IndexShare”: https://sebastianraschka.com/blog/2026/glm-5-2-indexshare.html
Sebastian Raschka “A Dream of Spring for Open-Weight LLMs” (MiniMax/Qwen/Ling): https://magazine.sebastianraschka.com/p/a-dream-of-spring-for-open-weight
Sebastian Raschka “From GPT-2 to gpt-oss”: https://magazine.sebastianraschka.com/p/from-gpt-2-to-gpt-oss-analyzing-the
LLM Architecture Gallery: https://sebastianraschka.com/llm-architecture-gallery

核心视频

“Hybrid Attention and Gated DeltaNet: How 2026 LLMs Actually Work”: https://www.youtube.com/watch?v=SH6Cyhunl8s
“LLM Architecture in 2026” (Sebastian Raschka 播客): https://www.youtube.com/watch?v=Y6APnyZT6XU
Yannic Kilcher “GRPO Explained”: https://www.youtube.com/watch?v=bAWV_yrqx4w

重要论文索引（arXiv 链接）

“Attention Is All You Need” (Transformer 原始论文): https://arxiv.org/abs/1706.03762
“RoPE / RoFormer” (旋转位置编码): https://arxiv.org/abs/2104.09864
“YaRN” (上下文扩展): https://arxiv.org/abs/2309.00071
“GQA” (分组查询注意力): https://arxiv.org/abs/2305.13245
“FlashAttention” (闪存注意力): https://arxiv.org/abs/2205.14135
“PagedAttention / vLLM” (分页注意力): https://arxiv.org/abs/2309.06180
“Speculative Decoding” (推测解码): https://arxiv.org/abs/2211.17192
“DPO” (直接偏好优化): https://arxiv.org/abs/2305.18290
“DeepSeekMath / GRPO” (组相对策略优化): https://arxiv.org/abs/2402.03300
“Hyper-Connections” (超连接，mHC 前身): https://arxiv.org/abs/2409.19606
“CCA” (压缩卷积注意力): https://arxiv.org/abs/2510.04476

本系列共 11 篇，本文是第 11 篇。系列导读见：LLM 术语全景图：系列导读