MegaScale (175B)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- ByteDance,Peking University
- Tipo de Organización
- Industry,Academia
- País
- China
- Publicado
- 23 February 2024
- Autores
- 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
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling/generation
- Enfoque
- Self-supervised learning
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 175B
- Datos de entrenamiento
- 300,000,000,000 tokens
- Épocas
- 1
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 175B model. There is a third production model mentioned, with fewer details.
300B tokens * 0.75 words/token = 225B words
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.7 × 10²³ FLOP
- Cómo se estableció
- Operation counting,Hardware
Table 2 gives details for the 175B model. Looking at the largest 1 epoch run with 12288 GPUs: 2166.3 aggregate PFlops/sec * 1.75 days * 24 hours/day * 3600 seconds/hour = 3.275e23 This is consistent with the theoretical computation counting estimate, if they factor MFU rate into their 2166.3 figure: 2 × 175B params × 3 × 300B tokens × 1 epoch = 2.29e23 I use the geometric mean of these two: (3.275e23 + 2.29e23) / 2 = 2.74e23
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
- Chips utilizados
- 12,288
- Tiempo de reloj
- 42 hours
- Utilización de hardware
- MFU 55.2%
- Consumo de energía
- 9.7 MW
MFU given in Table 2. Table 3 shows higher utilization when using a smaller number of GPUs.
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
repo, but no training code for the big model https://github.com/volcengine/vescale Model weights unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 302
Improves SOTA in FLOP utilization for distributed LLM training by 1.34X
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
MegaScale (175B) fue publicado por ByteDance,Peking University, en el país registrado como China, durante February 2024. Sale de una organización categorizada como industry,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.7 × 10²³ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 300,000,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
MegaScale (175B) — preguntas comunes
MegaScale (175B)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
MegaScale (175B)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 175B. 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 175B model. There is a third production model mentioned, with fewer details. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
MegaScale (175B)— ¿Quién lo creó?
Fue publicado por ByteDance,Peking University, basado en China, una organización categorizada como industry,Academia.
MegaScale (175B)— ¿cuándo fue lanzado?
Se publicó en February 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
MegaScale (175B)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
MegaScale (175B)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.7 × 10²³ FLOP, en hardware registrado como NVIDIA A100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
MegaScale (175B)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.