GPT-2 (1.5B, Curriculum Learning 45K)
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
- Microsoft
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 13 August 2021
- Autores
- Conglong Li, Minjia Zhang, Yuxiong He
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
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
- 1.5B
- Datos de entrenamiento
- 157,000,000,000 tokens
- Épocas
- 1.6
- Tamaño de lote
- 4,000,000
Table 2 SLW 45K bsz4K-seqlen1K 58.8K 157B (1x) training time: 155Hr (2.2x) batch size 4000 sequence length 1000 58.8K steps 157B tokens 4*10^6*58800/157*10^9 = 1.6 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
- 2.4 × 10²¹ FLOP
- Cómo se estableció
- Comparison with other models,Hardware,Operation counting
"Experiments replicating GPT-2 models (117M and 1.5B) show that <..> our method reduces the required number of training tokens and wall clock time by up to 2.2x and 3.7x, respectively." GPT-2 estimated training compute: 1.9200000000009998e+21 FLOP (Speculative confidence) -> 1.9200000000009998e+21 / 3.7 = 5.1891892e+20 FLOP " All of the experiments are performed on 128 NVIDIA V100 GPUs (32GB memory). There are 16 nodes and 8 GPUs per node" 155 hours (Table 2) 125000000000000 FLOP/sec * 128 …
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 V100
- Chips utilizados
- 128
- Tiempo de reloj
- 155 hours
- Consumo de energía
- 77.6 kW
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
there's a repo for the technique but I don't see training code for this model: https://github.com/microsoft/DeepSpeed
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
- Likely
- Citas
- 55
- Datos de referencia
- GPT-2 (1.5B, Curriculum Learning 45K)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Curriculum Learning: A Regularization Method for Efficient and Stable Billion-Scale GPT Model Pre-Training
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
GPT-2 (1.5B, Curriculum Learning 45K) fue publicado por Microsoft, en el país registrado como United States of America, durante August 2021. 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.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.4 × 10²¹ FLOP, en hardware registrado como NVIDIA V100. 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 157,000,000,000 tokens de texto
Respuestas
GPT-2 (1.5B, Curriculum Learning 45K) — preguntas comunes
GPT-2 (1.5B, Curriculum Learning 45K)— ¿cuándo fue lanzado?
Se publicó en August 2021. 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-2 (1.5B, Curriculum Learning 45K)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. 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-2 (1.5B, Curriculum Learning 45K)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.4 × 10²¹ FLOP, en hardware registrado como NVIDIA V100. 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-2 (1.5B, Curriculum Learning 45K)— ¿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-2 (1.5B, Curriculum Learning 45K)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GPT-2 (1.5B, Curriculum Learning 45K)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.5B. 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-2 (1.5B, Curriculum Learning 45K)— ¿Quién lo creó?
Fue publicado por Microsoft, basado en United States of America, una organización categorizada como industry.
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.