MegaScale (530B)
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- ByteDance,Peking University
- Typ organizace
- Industry,Academia
- Země
- China
- Publikováno
- 23 February 2024
- Autoři
- Ziheng Jiang, Haibin Lin, Yinmin Zhong, Qi Huang, Yangrui Chen, Zhi Zhang, Yanghua Peng, Xiang Li, Cong Xie, Shibiao Nong, Yulu Jia, Sun He, Hongmin Chen, Zhihao Bai, Qi Hou, Shipeng Yan, Ding Zhou, Yiyao Sheng, Zhuo Jiang, Haohan Xu, Haoran Wei, Zhang Zhang, Pengfei Nie, Leqi Zou, Sida Zhao, Liang Xiang, Zherui Liu, Zhe Li, Xiaoying Jia, Jianxi Ye, Xin Jin, Xin Liu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling/generation
- Přístup
- Self-supervised learning
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 530B
- Výcviková data
- 300,000,000,000 tokens
- Epochy
- 1
- Velikost dávky
- 12,582,912
Two models are trained for epoch to evaluate the MegaScale training system; one model with 175B and another with 530B parameters. This entry reports the 530B model. There is a third production model mentioned, with fewer details.
300B tokens
Experiments with both 768 and 6144, multiplied by 2048
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 9.7 × 10²³ FLOP
- Jak bylo ustanoveno
- Comparison with other models
175B models uses 3.2e23 FLOPs (Table 2, bottom row) With constant dataset size and utilization, FLOPs should scale linearly in # parameters, so: 3.2e23 * (530/175) = 9.7e23
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Používané čipy
- 11,200
- Doba reálného času
- 118 hours
- Využití hardwaru
- MFU 54.3%
- Příkon
- 8.9 MW
- Datové centrum
- ByteDance MegaScale training cluster
175B parameter model is stated to have taken 1.75 days. 500B model used more compute, fewer GPUs, and had slightly worse MFU. Accounting for these: 1.75 days * 24 hours/day * (9.7e23/3.2e23) * (11200/12288) * (0.552/0.543) = 117.9 hours
MFU given in fgure 9, when training with the full 11200 GPUs.
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
they open-sourced their framework but don't see training code for their big model. https://github.com/volcengine/vescale Model weights are unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Pravděpodobně nad 10²³ FLOP
- Yes
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 302
Improves SOTA in FLOP utilization for distributed LLM training by 1.34X
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Pozadí
MegaScale (530B) byl zveřejněn ByteDance,Peking University, v zemi zaznamenané jako China, během February 2024. Kategorie, do které vydavatel spadá, je industry,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 9.7 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 300,000,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
MegaScale (530B) — běžné otázky
MegaScale (530B)— kolik má parametrů?
Má počet parametrů 530B. Two models are trained for epoch to evaluate the MegaScale training system; one model with 175B and another with 530B parameters. This entry reports the 530B model. There is a third production model mentioned, with fewer details. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
MegaScale (530B)— Kdo to vytvořil?
Bylo to publikováno společností ByteDance,Peking University, zakládající se na China, organizace zařazená jako industry,Academia.
MegaScale (530B)— Kdy byl vydán?
Bylo to zveřejněno v February 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
MegaScale (530B)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
MegaScale (530B)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.7 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
MegaScale (530B)— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
MegaScale (530B)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.