GPT-SW3
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
- AI Sweden,RISE
- Tipo de Organización
- Academia
- País
- Sweden
- Publicado
- 25 June 2022
- Autores
- Ariel Ekgren, Amaru Cuba Gyllensten, Evangelia Gogoulou, Alice Heiman, Severine Verlinden, Joey Ohman, Fredrik Carlsson, Magnus Sahlgren
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
- 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
- 3.5B
- Datos de entrenamiento
- 101,711,872,000 tokens
- Épocas
- 5
100GB Swedish corpus, assume Swedish has similar 167M words per GB as German. 100*167e6 = 1.67e10 "The model is trained for 97000 steps with a batch size of 512 using the autoregressive next-step prediction objective" "Sequence length 2,048" 97000*512*2048=101711872000 tokens = 102B tokens 100*167000000/0,75=22266666666 tokens = 22B tokens (then I assume multiple epochs)
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
- 1.7 × 10²¹ FLOP
- Cómo se estableció
- Hardware,Operation counting
From section 4: "Training was performed on GPU resources from the Berzelius Superpod, which is currently the fastest super computer in Sweden, equipped with 60 Nvidia DGX A100 servers, each of which consists of 8 Nvidia A100 GPUs with 320 GB Total GPU memory. Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 GPUs)." 2.5*24*60**2 * 128 * 1.56E+14 * 0.3 = 1.3e21 6 FLOP / parameter / token * 3.5 * 10^9 parameters * 97000 steps * 512 samples per batch * 2048 tok…
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
- Tiempo de reloj
- 60 hours
"Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 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
they released many other models from the series but not 3.5B one https://huggingface.co/AI-Sweden-Models/gpt-sw3-40b/blob/main/LICENSE
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
- Confident
- Citas
- 20
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Lessons Learned from GPT-SW3: Building the First Large-Scale Generative Language Model for Swedish
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
GPT-SW3 fue publicado por AI Sweden,RISE, en el país registrado como Sweden, durante June 2022. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.7 × 10²¹ 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.
Fue entrenado en un corpus de aproximadamente 101,711,872,000 tokens de texto
Respuestas
GPT-SW3 — preguntas comunes
GPT-SW3— ¿cuándo fue lanzado?
Se publicó en June 2022. 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.
GPT-SW3— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
GPT-SW3— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.7 × 10²¹ 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.
GPT-SW3— ¿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.
GPT-SW3— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GPT-SW3— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3.5B. 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.
GPT-SW3— ¿Quién lo creó?
Fue publicado por AI Sweden,RISE, basado en Sweden, una organización categorizada como academia.
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.