SmolLM3 3B

系统要求

不同量化方法和上下文大小的显存要求

关于 SmolLM3 3B

SmolLM3-3B 模型由 Hugging Face 开发，是“Smol”系列中一款紧凑且功能强大的大语言模型 (LLM)，专为在资源受限的环境中实现高效率和高性能而设计。作为一款预训练的开源权重基座模型，它在 30 亿参数的量级下集成了多语言理解、长文本处理和双模式推理能力。其设计旨在通过提供可在边缘设备、移动应用及计算资源有限的系统上高效运行的强大解决方案，推动先进人工智能的普及。该模型是创建轻量化且具影响力 AI 解决方案这一更广泛计划的一部分，使复杂的语言理解和生成变得更加触手可及。

在架构上，SmolLM3-3B 是一款仅解码器（decoder-only）的 Transformer 模型，基于 Llama 等模型的基础设计并结合了专门的优化。其关键创新包括采用分组查询注意力（GQA）机制，该机制使用 4 个键值头（KV heads），与传统的全多头注意力相比，在不损失性能的前提下显著减小了推理过程中的 KV 缓存占用。它还具有“无位置编码”（NoPE）特性，这是一种对旋转位置嵌入（RoPE）进行的选择性改进，即从每四层中移除一层 RoPE，从而增强长文本性能。该模型包含 36 个隐藏层，隐藏层维度为 2048，拥有 16 个注意力头。输入与输出嵌入采用共享权重（tied embeddings）设计，以进一步降低显存占用。

SmolLM3-3B 的训练方案涉及在 11.2 万亿 token 的海量数据上进行的三阶段课程学习，数据来源涵盖网页内容、代码、数学和推理数据等多种公开数据集。这种全面的预训练建立了强大的多语言和通用能力。该模型的原生上下文长度为 64,000 token，并通过 YaRN 插值技术进一步扩展至 128,000 token。SmolLM3-3B 支持使用结构化模式（XML 和 Python 工具）进行工具调用等高级功能，使其能够集成到复杂的智能体（agent）工作流中。其设计专注于在推理、知识保留和多语言任务等领域提供极具竞争力的表现，使其适用于在各种平台上需要高效、高质量语言处理的应用场景。

技术规格

资源

关于 SmolLM Family

SmolLM 开放权重语言模型（例如 SmolLM3）

其他 SmolLM Family 模型

• 没有相关模型