Megatron-BERT
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
- NVIDIA
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 17 September 2019
- Autoři
- Mohammad Shoeybi, Mostofa Patwary, Raul Puri, Patrick LeGresley, Jared Casper, Bryan Catanzaro
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
- Číselný formát
- FP16
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 3.9B
- Výcviková data
- 6,960,000,000 tokens
- Velikost dávky
- 524,288
Table 4
"The resulting aggregate corpus contains 174 GB of deduplicated text." 174e9 bytes * (1 word / 5 bytes) * (4 tokens / 3 words) = 4.64e10 tokens
"we set the batch size to 1024 and use a learning rate of 1.0e4 warmed up over 10,000 iterations and decayed linearly over 2 million iterations. Other training parameters are kept the same as (Devlin et al., 2018)." in Devlin et al (BERT), sequences are 512 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
- 2.2 × 10²² FLOP
- Jak bylo ustanoveno
- Operation counting,Third-party estimation
A third-party source: https://lair.lighton.ai/akronomicon/ claims 5.7e22 The authors report experimenting on 1 V100 GPU and achieving throughput of 39 TFLOPS which is 30% of the peak throughput. Therefore the GPU has a peak throughput of 130 TFLOPS so it is specifically the NVIDIA V100S PCIe. https://images.nvidia.com/content/technologies/volta/pdf/volta-v100-datasheet-update-us-1165301-r5.pdf Param-based calculation: 6ND = 6*3.9e9*(2e6+1e4)*1024*512 = 2.5e22 FLOP 1024 is the batch size, 512 …
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Tesla V100S PCIe 32 GB
- Používané čipy
- 512
- Čip-hodiny
- 191,488
- Doba reálného času
- 374 hours (15.6 days)
- Příkon
- 262.6 kW
- Náklady na výpočet
- $171,819
The 8.3B GPT-like arch took 2.1 days per epoch on 512 GPUs, batch size 512, sequence length 1024. An epoch was 68.5k iterations. BERT: batch size 1024, sequence length 512, 2e6 iterations total. Halving the model size should ~halve the iteration time. Doubling the batch size should ~double the iteration time. Halving the sequence length should ~quarter the iteration time (quadratic scaling). Hence 3.1e-5 days/iteration * 2 * 1/2 * 1/4 = 7.8e-6 days/iteration. 2e6 iterations => seems like 15.…
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
- Open source
training code https://github.com/NVIDIA/Megatron-LM/blob/main/pretrain_bert.py MIT-like license: https://github.com/NVIDIA/Megatron-LM/blob/main/LICENSE
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Proč je to sledováno
- Highly cited,SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 2,766
"Our BERT model achieves SOTA results on the RACE dataset"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
Megatron-BERT byl zveřejněn NVIDIA, v zemi zaznamenané jako United States of America, během September 2019. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation.
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
Trenovací běh spotřeboval asi 2.2 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla V100S PCIe 32 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 6,960,000,000 tokeny textu
Jeho kritérium zahrnutí: highly cited,SOTA improvement.
Odpovědi
Megatron-BERT — běžné otázky
Megatron-BERT— Kdy byl vydán?
Bylo to zveřejněno v September 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Megatron-BERT— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Megatron-BERT— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.2 × 10²² FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla V100S PCIe 32 GB. 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.
Megatron-BERT— 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.
Megatron-BERT— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Megatron-BERT— kolik má parametrů?
Má počet parametrů 3.9B. Table 4. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Megatron-BERT— Kdo to vytvořil?
Bylo to publikováno společností NVIDIA, zakládající se na United States of America, 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.