AlexaTM 20B
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
- Amazon
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 2 August 2022
- Autoři
- Saleh Soltan, Shankar Ananthakrishnan, Jack FitzGerald, Rahul Gupta, Wael Hamza, Haidar Khan, Charith Peris, Stephen Rawls, Andy Rosenbaum, Anna Rumshisky, Chandana Satya Prakash, Mukund Sridhar, Fabian Triefenbach, Apurv Verma, Gokhan Tur, Prem Natarajan
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Translation, Question answering
- Číselný formát
- BF16
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 19.8B
- Výcviková data
- 1,319,000,000,000 tokens
- Velikost dávky
- 2,000,000
See Table 1 on p.3 of the paper
See Table 2 on p.3 of the paper. 119B Wikipedia tokens + 1.2T mC4 tokens = 1319000000000 tokens
"We trained AlexaTM 20B for 120 days on 128 A100 GPUs for the total of 500k updates with the accumulated batch size of 2 million tokens"
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
- 2 × 10²³ FLOP
- Jak bylo ustanoveno
- Hardware
Training throughput is reported as 154 TFLOP/s - see p.5 of the paper. "We relied on an internal and optimized version of DeepSpeed that we have since open-sourced (Chiu & Zheng, 2022) to obtain training throughput of up to 154 TFLOPS/GPU on 16 AWS p4d.24xlarge compute instances." Accelerator compute days are reported as 15,360 days - see Table 17 on p.18 of the paper.
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Používané čipy
- 128
- Čip-hodiny
- 368,640
- Doba reálného času
- 2,880 hours (120 days)
- Využití hardwaru
- HFU 49.4%
- Příkon
- 102.6 kW
- Náklady na výpočet
- $267,943
- Cloudový poskytovatel
- Amazon Web Services
See p.5 of the paper: "We trained AlexaTM 20B for 120 days on 128 A100 GPUs..."
Training throughput reported at 154 TFLOPs/GPU, vs 312 TFLOPs/GPU for the A100s they use HFU = 154e12 / 312e12 = 0.4935
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
- API access
- Tréninkový kód
- Unreleased
https://aws.amazon.com/about-aws/whats-new/2022/11/alexatm-20b-model-available-sagemaker-jumpstart/?nc1=h_ls
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
- 90
The Abstract reports SOTA improvement on multiple benchmarks. "provides SOTA performance on multilingual tasks such as XNLI, XCOPA, Paws-X, and XWinograd"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- AlexaTM 20B: Few-Shot Learning Using a Large-Scale Multilingual Seq2Seq Model
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
AlexaTM 20B byl zveřejněn Amazon, v zemi zaznamenané jako United States of America, během August 2022. Kategorie, do které vydavatel spadá, je industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Translation, Question answering.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 2 × 10²³ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 1,319,000,000,000 tokeny textu
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
AlexaTM 20B — běžné otázky
AlexaTM 20B— Kdo to vytvořil?
Bylo to publikováno společností Amazon, zakládající se na United States of America, organizace zařazená jako industry.
AlexaTM 20B— Kdy byl vydán?
Bylo to zveřejněno v August 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
AlexaTM 20B— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Translation, Question answering. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
AlexaTM 20B— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2 × 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.
AlexaTM 20B— 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.
AlexaTM 20B— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
AlexaTM 20B— kolik má parametrů?
Má počet parametrů 19.8B. See Table 1 on p.3 of the paper. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
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.