大语言模型中的"大"通常体现在以下几个方面，参数数量，训练数据和计算资源：
参数数量：
- 大语言模型的一个显著特征是其庞大的参数数量。参数的数量决定了模型的复杂度和表示能力。更多的参数通常意味着模型可以捕捉更复杂的模式和关系。
- 大语言模型的可能采用更深、更宽的网络结构，包括更多的层、更多的隐藏单元和更复杂的连接方式。这种结构有助于提高模型的表征能力和泛化能力。
上图为大规模语言模型的参数量随着时间的变化图，2022年左右大规模语言模型大量出现，参数量在100B（1千亿）左右。
训练数据：
大语言模型通常是通过大规模的文本数据进行训练的，这些数据包含了丰富的语言信息，有助于模型学习更准确的语言表示。
从下面的图可以看到，Meta 开源的llama所需要的训练数据有2T（2万亿）token,阿里开源的通义千问模型的训练数据达到了3T（3万亿）。这个训练数据是什么量级呢，我们可以来类比一下，2022年底的时候，维基上有640万篇文章，这些文章的token量大概是40亿。
计算资源：
- 大语言模型通常需要大量的计算资源来训练和推理。这包括高性能的GPU或TPU，以及大规模的分布式计算环境，如多GPU服务器或云计算资源。
- 大语言模型在推理时需要处理大量的参数和复杂的计算，因此推理速度成为一个挑战。优化的模型架构、模型压缩技术和专门的硬件加速可以提高推理速度。
上图中我们可以看到一台8卡的A100(80G)的服务器大概可以提供的计算量为5PFlop/s-day，假设GPT4有万亿参数量，其大概需要的计算量为75352 PFlop/s-day，如果需要15天训练完成的话，估计需要万卡的GPU集群。
所以，大语言模型的规模不仅体现在参数数量上，还包括训练数据、计算资源上，这些“大”使得大规模语言模型的泛化能力和应用领域等都得到极大增强。大语言模型在增强泛化能力的情况下，还会带来给应用领域带来变革。
大语言模型的规模通常与其泛化能力相关联。更大的模型容易过拟合训练数据，但在合适的正则化和训练技巧下，它们可以学习到更广泛、更准确的语言规律。
大语言模型的规模也会影响其在不同应用领域的效果。在自然语言处理任务中，大模型可能在机器翻译、文本生成、语言理解等方面表现更出色。
PS：欢迎扫码关注公众号^_^.
