大模型中的 8B、405B、70B 等表述，其中的 “B” 表示 “十亿”（billion），即 10^9。
例如，8B 表示 80 亿个可训练参数，70B 表示 700 亿个可训练参数。这些参数是神经网络中的权重和偏置，它们在训练过程中通过反向传播算法进行更新，以使模型能够更好地拟合训练数据。
模型的参数数量是衡量其规模和能力的一个重要指标。一般来说，参数数量越多，模型的表达能力越强，可以捕捉到更复杂的特征和模式。然而，参数数量的增加也会带来一些问题，如计算资源需求增加、训练时间延长以及过拟合风险提高等。
在实际应用中，选择合适的模型规模需要综合考虑多个因素，包括数据集的大小、任务的复杂性、计算资源以及性能要求等。如果模型太小，可能无法捕捉到数据中的关键特征，导致性能不佳；而如果模型太大，可能会导致过拟合问题，使得模型在未见过的数据上表现不佳。
不同的大模型具有不同数量的参数，例如 GPT-3 的参数量达到了 1750 亿。研究人员需要在模型规模和性能之间找到一个平衡点，同时也会采用一些技术来降低模型的参数数量和计算复杂度，如模型压缩、知识蒸馏、迁移学习等，并且利用硬件加速器（如 GPU 和专用集成电路 ASIC）来加速模型的训练和推理过程
