N Neurarch Architectures Models Checks Data Docs Open the app

Architectures / NLP/LLM

๐ŸŸฃ Qwen3-8B

Modern dense decoder LLM โ€” GQA with QK-RMSNorm on the query/key projections for training stability (Alibaba 2025)

From Qwen Team (2025). Qwen3 Technical Report. This page is the graph, not the PDF: open it, edit it, verify it, export it.

Layers
221
Parameters
8.19B
Input
1 ร— 40960
Output
1 ร— 40960 ร— 151936
Verifier
1 advisory

Every number on this page is computed from the graph by the same functions the app runs, not written by hand.

Open Qwen3-8B on the canvas Free, no account needed

When to pick it

A clean, current dense-decoder reference. Pick when you want a straightforward modern LLM block without MoE routing.

Structure

221 layers. Output shapes are propagated from the input shape, batch dimension excluded.

LayerTypeParametersOutput shape
1InputInputshape=[1, 40960]1 ร— 40960
2EmbeddingEmbeddingvocabSize=1519361 ร— 40960 ร— 4096
3RMSNorm_1_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
4Attention_1Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
5Add_1_attnAdd1 ร— 40960 ร— 4096
6RMSNorm_1_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
7FFN_1SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
8Add_1_ffnAdd1 ร— 40960 ร— 4096
9RMSNorm_2_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
10Attention_2Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
11Add_2_attnAdd1 ร— 40960 ร— 4096
12RMSNorm_2_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
13FFN_2SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
14Add_2_ffnAdd1 ร— 40960 ร— 4096
15RMSNorm_3_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
16Attention_3Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
17Add_3_attnAdd1 ร— 40960 ร— 4096
18RMSNorm_3_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
19FFN_3SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
20Add_3_ffnAdd1 ร— 40960 ร— 4096
21RMSNorm_4_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
22Attention_4Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
23Add_4_attnAdd1 ร— 40960 ร— 4096
24RMSNorm_4_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
25FFN_4SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
26Add_4_ffnAdd1 ร— 40960 ร— 4096
27RMSNorm_5_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
28Attention_5Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
29Add_5_attnAdd1 ร— 40960 ร— 4096
30RMSNorm_5_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
31FFN_5SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
32Add_5_ffnAdd1 ร— 40960 ร— 4096
33RMSNorm_6_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
34Attention_6Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
35Add_6_attnAdd1 ร— 40960 ร— 4096
36RMSNorm_6_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
37FFN_6SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
38Add_6_ffnAdd1 ร— 40960 ร— 4096
39RMSNorm_7_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
40Attention_7Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
41Add_7_attnAdd1 ร— 40960 ร— 4096
42RMSNorm_7_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
43FFN_7SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
44Add_7_ffnAdd1 ร— 40960 ร— 4096
45RMSNorm_8_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
46Attention_8Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
47Add_8_attnAdd1 ร— 40960 ร— 4096
48RMSNorm_8_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
49FFN_8SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
50Add_8_ffnAdd1 ร— 40960 ร— 4096
51RMSNorm_9_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
52Attention_9Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
53Add_9_attnAdd1 ร— 40960 ร— 4096
54RMSNorm_9_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
55FFN_9SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
56Add_9_ffnAdd1 ร— 40960 ร— 4096
57RMSNorm_10_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
58Attention_10Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
59Add_10_attnAdd1 ร— 40960 ร— 4096
60RMSNorm_10_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
61FFN_10SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
62Add_10_ffnAdd1 ร— 40960 ร— 4096
63RMSNorm_11_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
64Attention_11Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
65Add_11_attnAdd1 ร— 40960 ร— 4096
66RMSNorm_11_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
67FFN_11SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
68Add_11_ffnAdd1 ร— 40960 ร— 4096
69RMSNorm_12_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
70Attention_12Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
71Add_12_attnAdd1 ร— 40960 ร— 4096
72RMSNorm_12_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
73FFN_12SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
74Add_12_ffnAdd1 ร— 40960 ร— 4096
75RMSNorm_13_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
76Attention_13Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
77Add_13_attnAdd1 ร— 40960 ร— 4096
78RMSNorm_13_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
79FFN_13SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
80Add_13_ffnAdd1 ร— 40960 ร— 4096
81RMSNorm_14_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
82Attention_14Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
83Add_14_attnAdd1 ร— 40960 ร— 4096
84RMSNorm_14_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
85FFN_14SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
86Add_14_ffnAdd1 ร— 40960 ร— 4096
87RMSNorm_15_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
88Attention_15Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
89Add_15_attnAdd1 ร— 40960 ร— 4096
90RMSNorm_15_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
91FFN_15SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
92Add_15_ffnAdd1 ร— 40960 ร— 4096
93RMSNorm_16_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
94Attention_16Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
95Add_16_attnAdd1 ร— 40960 ร— 4096
96RMSNorm_16_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
97FFN_16SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
98Add_16_ffnAdd1 ร— 40960 ร— 4096
99RMSNorm_17_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
100Attention_17Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
101Add_17_attnAdd1 ร— 40960 ร— 4096
102RMSNorm_17_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
103FFN_17SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
104Add_17_ffnAdd1 ร— 40960 ร— 4096
105RMSNorm_18_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
106Attention_18Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
107Add_18_attnAdd1 ร— 40960 ร— 4096
108RMSNorm_18_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
109FFN_18SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
110Add_18_ffnAdd1 ร— 40960 ร— 4096
111RMSNorm_19_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
112Attention_19Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
113Add_19_attnAdd1 ร— 40960 ร— 4096
114RMSNorm_19_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
115FFN_19SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
116Add_19_ffnAdd1 ร— 40960 ร— 4096
117RMSNorm_20_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
118Attention_20Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
119Add_20_attnAdd1 ร— 40960 ร— 4096
120RMSNorm_20_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
121FFN_20SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
122Add_20_ffnAdd1 ร— 40960 ร— 4096
123RMSNorm_21_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
124Attention_21Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
125Add_21_attnAdd1 ร— 40960 ร— 4096
126RMSNorm_21_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
127FFN_21SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
128Add_21_ffnAdd1 ร— 40960 ร— 4096
129RMSNorm_22_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
130Attention_22Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
131Add_22_attnAdd1 ร— 40960 ร— 4096
132RMSNorm_22_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
133FFN_22SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
134Add_22_ffnAdd1 ร— 40960 ร— 4096
135RMSNorm_23_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
136Attention_23Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
137Add_23_attnAdd1 ร— 40960 ร— 4096
138RMSNorm_23_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
139FFN_23SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
140Add_23_ffnAdd1 ร— 40960 ร— 4096
141RMSNorm_24_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
142Attention_24Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
143Add_24_attnAdd1 ร— 40960 ร— 4096
144RMSNorm_24_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
145FFN_24SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
146Add_24_ffnAdd1 ร— 40960 ร— 4096
147RMSNorm_25_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
148Attention_25Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
149Add_25_attnAdd1 ร— 40960 ร— 4096
150RMSNorm_25_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
151FFN_25SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
152Add_25_ffnAdd1 ร— 40960 ร— 4096
153RMSNorm_26_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
154Attention_26Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
155Add_26_attnAdd1 ร— 40960 ร— 4096
156RMSNorm_26_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
157FFN_26SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
158Add_26_ffnAdd1 ร— 40960 ร— 4096
159RMSNorm_27_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
160Attention_27Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
161Add_27_attnAdd1 ร— 40960 ร— 4096
162RMSNorm_27_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
163FFN_27SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
164Add_27_ffnAdd1 ร— 40960 ร— 4096
165RMSNorm_28_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
166Attention_28Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
167Add_28_attnAdd1 ร— 40960 ร— 4096
168RMSNorm_28_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
169FFN_28SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
170Add_28_ffnAdd1 ร— 40960 ร— 4096
171RMSNorm_29_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
172Attention_29Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
173Add_29_attnAdd1 ร— 40960 ร— 4096
174RMSNorm_29_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
175FFN_29SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
176Add_29_ffnAdd1 ร— 40960 ร— 4096
177RMSNorm_30_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
178Attention_30Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
179Add_30_attnAdd1 ร— 40960 ร— 4096
180RMSNorm_30_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
181FFN_30SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
182Add_30_ffnAdd1 ร— 40960 ร— 4096
183RMSNorm_31_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
184Attention_31Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
185Add_31_attnAdd1 ร— 40960 ร— 4096
186RMSNorm_31_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
187FFN_31SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
188Add_31_ffnAdd1 ร— 40960 ร— 4096
189RMSNorm_32_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
190Attention_32Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
191Add_32_attnAdd1 ร— 40960 ร— 4096
192RMSNorm_32_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
193FFN_32SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
194Add_32_ffnAdd1 ร— 40960 ร— 4096
195RMSNorm_33_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
196Attention_33Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
197Add_33_attnAdd1 ร— 40960 ร— 4096
198RMSNorm_33_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
199FFN_33SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
200Add_33_ffnAdd1 ร— 40960 ร— 4096
201RMSNorm_34_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
202Attention_34Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
203Add_34_attnAdd1 ร— 40960 ร— 4096
204RMSNorm_34_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
205FFN_34SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
206Add_34_ffnAdd1 ร— 40960 ร— 4096
207RMSNorm_35_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
208Attention_35Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
209Add_35_attnAdd1 ร— 40960 ร— 4096
210RMSNorm_35_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
211FFN_35SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
212Add_35_ffnAdd1 ร— 40960 ร— 4096
213RMSNorm_36_1RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
214Attention_36Grouped Query AttnembedDim=4096, numHeads=32, numKVHeads=81 ร— 40960 ร— 4096
215Add_36_attnAdd1 ร— 40960 ร— 4096
216RMSNorm_36_2RMSNormnormalizedShape=40961 ร— 40960 ร— 4096
217FFN_36SwiGLUembedDim=4096, intermediateSize=122881 ร— 40960 ร— 4096
218Add_36_ffnAdd1 ร— 40960 ร— 4096
219Final_RMSNormRMSNormnormalizedShape=40961 ร— 40960 ร— 4096
220LM_HeadLinearoutFeatures=151936, inFeatures=40961 ร— 40960 ร— 151936
221OutputOutput1 ร— 40960 ร— 151936

What the verifier says

The same 43 single-graph checks that run on every edit in the app, on this graph.

warn36 attention layer(s) present but no positional encoding found. Attention is permutation-invariant, without position information the model cannot distinguish token order. Fix: Add a PositionalEncoding (sinusoidal) or RoPE layer before the first attention layer. (Attention_1)
attention-no-pe
infoAt 36 stacked attention layers, residual-branch outputs add up; unscaled init lets activation variance grow with depth. GPT-2/LLaMA-family models scale the residual projections by depth (N(0, 0.02 / โˆš(2L))). Fix: Scale residual output projections by depth: nn.init.normal_(w, std=0.02 / math.sqrt(2 * n_layers)) (Attention_1)
deep-attention-default-init

The PyTorch it exports

Generated from the graph above. First 46 lines; the app exports the whole file, plus the training loop, the data contract and a deploy bundle.

# Architecture designed with Neurarch: https://neurarch.com
# PyTorch: compatible with Python 3.8+ and torch>=1.12
# Colab: pip install torch torchvision  (usually pre-installed)

import torch
import torch.nn as nn
import torch.nn.functional as F
from typing import Tuple

class Qwen3_8B(nn.Module):
    def __init__(self):
        super().__init__()

        self.embedding_1 = nn.Embedding(151936, 4096)
        self.rmsNorm_1 = nn.RMSNorm(4096)
        self.groupedQueryAttention_1 = nn.ModuleDict({
            'q_proj': nn.Linear(4096, 4096,        bias=False),   # 32 heads ร— 128
            'k_proj': nn.Linear(4096, 1024, bias=False),   # 8 KV heads ร— 128
            'v_proj': nn.Linear(4096, 1024, bias=False),
            'o_proj': nn.Linear(4096, 4096,        bias=False),
        })  # GQA: 32Q / 8KV heads (requires F.scaled_dot_product_attention)
        self.rmsNorm_2 = nn.RMSNorm(4096)
        self.swiglu_1 = nn.ModuleDict({
            'gate_proj': nn.Linear(4096, 12288, bias=False),
            'up_proj':   nn.Linear(4096, 12288, bias=False),
            'down_proj': nn.Linear(12288, 4096, bias=False),
        })  # SwiGLU FFN (LLaMA-style)
        self.rmsNorm_3 = nn.RMSNorm(4096)
        self.groupedQueryAttention_2 = nn.ModuleDict({
            'q_proj': nn.Linear(4096, 4096,        bias=False),   # 32 heads ร— 128
            'k_proj': nn.Linear(4096, 1024, bias=False),   # 8 KV heads ร— 128
            'v_proj': nn.Linear(4096, 1024, bias=False),
            'o_proj': nn.Linear(4096, 4096,        bias=False),
        })  # GQA: 32Q / 8KV heads (requires F.scaled_dot_product_attention)
        self.rmsNorm_4 = nn.RMSNorm(4096)
        self.swiglu_2 = nn.ModuleDict({
            'gate_proj': nn.Linear(4096, 12288, bias=False),
            'up_proj':   nn.Linear(4096, 12288, bias=False),
            'down_proj': nn.Linear(12288, 4096, bias=False),
        })  # SwiGLU FFN (LLaMA-style)
        self.rmsNorm_5 = nn.RMSNorm(4096)
        self.groupedQueryAttention_3 = nn.ModuleDict({
            'q_proj': nn.Linear(4096, 4096,        bias=False),   # 32 heads ร— 128
            'k_proj': nn.Linear(4096, 1024, bias=False),   # 8 KV heads ร— 128
            'v_proj': nn.Linear(4096, 1024, bias=False),
            'o_proj': nn.Linear(4096, 4096,        bias=False),

For agents

This architecture is machine-readable end to end. An agent can list the set, fetch this graph, edit it, and have the edit verified before any GPU time is spent.

Also in NLP/LLM

๐Ÿค– Transformer Block
Transformer encoder block
8 layers ยท 7.09M
๐Ÿ“– BERT Base
BERT-Base encoder โ€” bidirectional MHA
11 layers ยท 31.12M
๐Ÿง  GPT-2
GPT-2 Small โ€” causal transformer block
12 layers ยท 84.33M
๐Ÿฆ™ LLaMA-3 Block
LLaMA-3 decoder block โ€” GQA
10 layers ยท 702.55M