GPT-4.5
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- OpenAI
- Organisationstyp
- Industry
- Land
- United States of America
- Veröffentlicht
- 27 February 2025
- Autoren
- Foundational contributors Alex Paino, Ali Kamali, Amin Tootoonchian, Andrew Tulloch, Ben Sokolowsky, Clemens Winter, Colin Wei, Daniel Kappler, Daniel Levy, Felipe Petroski Such, Geoff Salmon, Ian O’Connell, Jason Teplitz, Kai Chen, Nik Tezak, Prafulla Dhariwal, Rapha Gontijo Lopes, Sam Schoenholz, Youlong Cheng, Yujia Jin, Yunxing Dai Research Core contributors Aiden Low, Alec Radford, Alex Car…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Language, Vision, Multimodal
- Aufgabe
- Language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- tokens
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 3.8 × 10²⁶ FLOP
- Wie es etabliert wurde
- Benchmarks
Analysis of GPT-4.5's training cluster yields a median estimate of 187M H100-hours of training. The utilization assumptions we used for the Grok 3 estimate (maybe worth revisiting) were 20 to 40% under the H100 FP8 spec of 2000 teraflop/s. This leads to an estimate of 2.7e26 to 5.4e26 FLOP, or a geomean of 3.8e26 Alternatively, using a plausible range of 20 to 50% utilization, given the possibility of FP8 training, yields a median estimate of ~2e25 FLOP. See notebook below for details. https:/…
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Wand-Uhrzeit
- 3,000 hours (125 days)
- Rechenkosten
- $366,010,628
- Cloud vendor
- Azure AI
- Data centre
- Microsoft Goodyear Arizona
Likely trained for around 4 months/120 days https://colab.research.google.com/drive/1QBmVPm64Ti0xucN0EsZTgSz_I7Mj9hAZ#scrollTo=NYH1ABJuLJlw
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- API access
- Trainingscode
- Unreleased
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Frontier model
- Yes
- Wahrscheinlich über 10²³ FLOP
- Yes
- Warum es nachverfolgt wird
- Training cost
- Aufzeichnungszuversicht
- Likely
Described by OpenAI as a "new order of magnitude of compute" https://openai.com/index/introducing-gpt-4-5/
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Introducing GPT-4.5
- Zuletzt aktualisiert
- 8 June 2026
Was die Zahlen bedeuten
Was dieses Modell ist
GPT-4.5 was published by OpenAI, in United States of America, in February 2025. industry is the category the publisher falls under.
It works in Language, Vision, Multimodal, and is recorded as doing language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Training it took roughly 3.8 × 10²⁶ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
It is tracked in the underlying dataset for one reason in particular: training cost.
Antworten
GPT-4.5 — Häufig gestellte Fragen
What GPU do I need to run GPT-4.5?
None. GPT-4.5 is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is GPT-4.5 open source?
No. GPT-4.5 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does GPT-4.5 have?
No parameter count has been published for GPT-4.5, which is why no memory or speed figure appears on this page.
Who created GPT-4.5?
GPT-4.5 was published by OpenAI, based in United States of America, categorised as industry.
When was GPT-4.5 released?
GPT-4.5 was published in February 2025.
What is GPT-4.5 used for?
GPT-4.5 works in Language, Vision, Multimodal, and is recorded as handling language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train GPT-4.5?
Around 3.8 × 10²⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.