Sparse Wide GPT-3 Small
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
- Cerebras Systems
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 21 March 2023
- Autores
- Shreyas Saxena, Vithursan Thangarasa, Abhay Gupta, Sean Lie
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, Question answering
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
- 1.3B
- Datos de entrenamiento
- 2,500,000,000 tokens
- Épocas
- 1
GPT-3 Small: 125M At 90% sparsity → ~1.25B total parameters At 75% sparsity → 125M * ksw^2 = 125M *(1/(1-0.75)) = 500M total pramters (I assume only 125M are active)
2.5B (table 13)
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
- 1.9 × 10¹⁸ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 125* 10^6 active parameters * 2.5 * 10^9 tokens = 1.875e+18 FLOP __________________ in the Algorithmic progress paper the estimation was 8.84 × 10^19 FLOP, they assumed WT-103 dataset (not mentioned in the paper) and different number of parameters (1.3* 10^9 - I am unsure where it comes from)
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
- Cerebras CS-2
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
paper has repo but no code for sparse GPT-3: https://github.com/CerebrasResearch/Sparse-IFT
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Speculative
- Citas
- 8
- Datos de referencia
- Sparse Wide GPT-3 Small
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Sparse Iso-FLOP Transformations for Maximizing Training Efficiency
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Sparse Wide GPT-3 Small fue publicado por Cerebras Systems, en el país registrado como United States of America, durante March 2023. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation, Question answering.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 1.9 × 10¹⁸ FLOP, en hardware registrado como Cerebras CS-2. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 2,500,000,000 tokens de texto
Respuestas
Sparse Wide GPT-3 Small — preguntas comunes
Sparse Wide GPT-3 Small— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.9 × 10¹⁸ FLOP, en hardware registrado como Cerebras CS-2. 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.
Sparse Wide GPT-3 Small— ¿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.
Sparse Wide GPT-3 Small— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Sparse Wide GPT-3 Small— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.3B. GPT-3 Small: 125M At 90% sparsity → ~1.25B total parameters At 75% sparsity → 125M * ksw^2 = 125M *(1/(1-0.75)) = 500M total pramters (I assume only 125M are active). 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.
Sparse Wide GPT-3 Small— ¿Quién lo creó?
Fue publicado por Cerebras Systems, basado en United States of America, una organización categorizada como industry.
Sparse Wide GPT-3 Small— ¿cuándo fue lanzado?
Se publicó en March 2023. 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.
Sparse Wide GPT-3 Small— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation, Question answering. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
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.