Gopher (280B)
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
- DeepMind
- Typ organizace
- Industry
- Země
- United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 8 December 2021
- Autoři
- Jack W. Rae, Sebastian Borgeaud, Trevor Cai, Katie Millican, Jordan Hoffmann, Francis Song, John Aslanides, Sarah Henderson, Roman Ring, Susannah Young, Eliza Rutherford, Tom Hennigan, Jacob Menick, Albin Cassirer, Richard Powell, George van den Driessche, Lisa Anne Hendricks, Maribeth Rauh, Po-Sen Huang, Amelia Glaese, Johannes Welbl, Sumanth Dathathri, Saffron Huang, Jonathan Uesato, John Mellor…
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Question answering
- Přístup
- Self-supervised learning
- 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
- 280B
- Výcviková data
- 300,000,000,000 tokens
- Epochy
- 1
- Velikost dávky
- 6,000,000
Language modelling provides a step towards intelligent communication systems by harnessing large repositories of written human knowledge to better predict and understand the world. In this paper, we present an analysis of Transformer-based language model performance across a wide range of model scales -- from models with tens of millions of parameters up to a 280 billion parameter model called Gopher. These models are evaluated on 152 diverse tasks, achieving state-of-the-art performance across …
"We train all models for 300 billion tokens with a 2048 token context window, using the Adam (Kingma and Ba, 2014) optimiser." 1 token ~ 0.75 words
Table 1. "Furthermore, we increase Gopher’s batch size from three to six million tokens per batch during training"
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
- 6.3 × 10²³ FLOP
- Jak bylo ustanoveno
- Reported
Table A26 6.31E+08 Train PFLOPs
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v3
- Používané čipy
- 4,096
- Čip-hodiny
- 3,768,320
- Doba reálného času
- 920 hours (38.3 days)
- Využití hardwaru
- MFU 37.8%
- Příkon
- 3.7 MW
- Náklady na výpočet
- $640,617
"We trained Gopher for 920 hours in November and December 2020 in Google’s Georgia datacentre. The PUE of the datacenter at this time was 1.08; the net tCO2e per MWh in October 2020 was 0.33. Using an estimate of 283W drawn per chip, this leads to a total of 380 net tCO2e"
Compute used to train model (table A26): 6.31e23 Maximum possble compute based on GPU-hours at 100% utilization: 920 * 4096 * 3600 * 1.23e14 = 1.669e24 Therefore, we can calculate utilization: MFU = 6.31e23 / 1.669e24 = 0.3780
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
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Pravděpodobně nad 10²³ FLOP
- Yes
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 1,605
- Benchmark data
- Gopher (280B)
"These models are evaluated on 152 diverse tasks, achieving state-of-the-art performance across the majority"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- "Scaling Language Models: Methods, Analysis & Insights from Training Gopher"
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Pozadí
Gopher (280B) byl zveřejněn DeepMind, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během December 2021. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Question answering.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Co bylo zapotřebí k jeho vybudování
Trénování si vyžádalo výpočetní rozpočet přibližně 6.3 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
Gopher (280B) — běžné otázky
Gopher (280B)— Kdy byl vydán?
Bylo to zveřejněno v December 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Gopher (280B)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Question answering. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Gopher (280B)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.3 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.
Gopher (280B)— 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.
Gopher (280B)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Gopher (280B)— kolik má parametrů?
Má počet parametrů 280B. Language modelling provides a step towards intelligent communication systems by harnessing large repositories of written human knowledge to better predict and understand the world. In this paper, we present an analysis of Transformer-based language model performance across a wide range of model scales -- from models with tens of millions of parameters up to a 280 billion parameter model called Gopher. These models are evaluated on 152 diverse tasks, achieving state-of-the-art performance across the majority. Gains from scale are largest in areas such as reading comprehension, fact-checking, and the identification of toxic language, but logical and mathematical reasoning see less benefit. We provide a holistic analysis of the training dataset and model's behaviour, covering the intersection of model scale with bias and toxicity. Finally we discuss the application of language models to AI safety and the mitigation of downstream harms. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Gopher (280B)— Kdo to vytvořil?
Bylo to publikováno společností DeepMind, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako industry.
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.