大模型的多少B参数是怎么算出来的，步骤和注意事项（B 到底指什么：先把单位对齐）

刷模型库时总看到「某模型 70B」「某模型 8B」，换个页面同一系列数字又对不上，这时候很容易拿参数当唯一标准去选模型。这篇把 B 的含义、参数从哪算出来、不同统计口径的差别讲清楚，再给一套核对步骤，让你看到参数数字时知道它能说明什么、不能说明什么。

刷模型库时总看到「某模型 70B」「某模型 8B」，换个页面同一系列数字又对不上，这时候很容易把参数当唯一标准去选模型。其实 B 只是规模量级，不是精确到个位数的称号，来源和统计口径也各有差别。

这篇把 B 的含义、参数从哪算出来、不同口径的差别讲清楚，再给一套核对步骤。看完你至少能做到两件事：看到参数数字知道它能说明什么、不能说明什么，以及拿它去估显存时不会差出好几倍。

B 到底指什么：先把单位对齐

B 是 billion 的缩写，指十亿级参数个数，本质是规模量级而不是精确数字。写成 7B 时，实际可能是六点几到七点几之间，四舍五入之后才变成整数。所以拿它做横向比较时，差个零点几 B 基本没有意义，别在这上面纠结。

参数

模型里可学习的权重和偏置，注意力层、前馈层、嵌入层各占一部分

总参数

所有层加起来的参数数，通常就是模型名里标的那个数

激活参数

混合专家类模型单次推理真正参与计算的参数，往往远小于总参数

量化

把权重从高精度压到低精度，减少显存占用，但参数个数不变

同一个模型在不同页面数字不同，常见原因就三个：四舍五入到整数 B、只算主干不算嵌入层、或者标的是激活参数而非总参数。想先确认单位，到 /ai-dict/category/basics 和 /ai-dict/category/tech 把术语口径对齐再往下看。

参数从哪数出来：三种常见来源

1. 打开配置文件在模型仓库里找到 config 类文件，记下层数、隐藏维度、注意力头数、词表大小这几项
2. 按层拆开数注意力层和前馈层按维度公式估，嵌入层按词表大小乘隐藏维度算，最后相加
3. 和模型卡对照把算出来的数和官方报的数比一下，差得多就回头检查是不是漏了编码器或位置编码
4. 换算成显存需求权重按参数量乘每参数字节数估算，再加激活和缓存，到 /compute/sizing 按实际模型算一遍

推理时真正吃显存的是权重加激活加缓存，参数量只是第一层输入。同参数量的模型，换个上下文长度或并发数，显存占用能差出一大截。所以别拿参数直接当显存结论，具体换算走 /models/deploy 和 /compute/sizing 按模型算一遍更靠谱。

看到参数数字时的核对清单

• 先确认是总参数还是激活参数，混合专家类模型这两个数差距很大，直接决定显存和速度能不能对上
• 再确认统计范围：纯文本模型还是带视觉、语音编码器的多模态模型，后者常含额外编码器
• 最后看版本和量化：量化不改变参数量但会改变显存占用，别把「低比特版」误读成「参数变少了」
• 信息找不齐时，到 /models 查模型库、/ai-dict 查词条，两边对不上就以配置文件为准并记录差异

补充一点：如果你是从中转站页面看到的模型名称，名称里的参数标注未必和官方一致。遇到对不上的情况，先去官方仓库核对，再回到 /sites 看对应中转站的说明，别直接拿页面上的数字做预算。

什么情况下参数量不能用来下判断

训练数据质量、数据配比、后训练方式对效果的影响，经常比参数规模更大。同参数量的两个模型，一个在中文长文档上表现好，另一个在代码上表现好，这很正常。参数只适合做粗略筛选，不适合当效果结论。

任务匹配度要优先于参数量：代码、法律、长文档这类活，先看榜单和实测结果，参数只用来筛掉明显跑不动的选项。榜单怎么读、不同评测口径怎么区分，去看 /benchmarks 与 /glossary，那里的方法说明比单看一个数字有用得多。

参数量告诉你模型有多大，不告诉你模型有多好用；前者能算，后者要试。