Megatron-BERT
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
- NVIDIA
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 17 September 2019
- Autores
- Mohammad Shoeybi, Mostofa Patwary, Raul Puri, Patrick LeGresley, Jared Casper, Bryan Catanzaro
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
- Formato numérico
- FP16
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
- 3.9B
- Datos de entrenamiento
- 6,960,000,000 tokens
- Tamaño de lote
- 524,288
Table 4
"The resulting aggregate corpus contains 174 GB of deduplicated text." 174e9 bytes * (1 word / 5 bytes) * (4 tokens / 3 words) = 4.64e10 tokens
"we set the batch size to 1024 and use a learning rate of 1.0e4 warmed up over 10,000 iterations and decayed linearly over 2 million iterations. Other training parameters are kept the same as (Devlin et al., 2018)." in Devlin et al (BERT), sequences are 512 tokens
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
- 2.2 × 10²² FLOP
- Cómo se estableció
- Operation counting,Third-party estimation
A third-party source: https://lair.lighton.ai/akronomicon/ claims 5.7e22 The authors report experimenting on 1 V100 GPU and achieving throughput of 39 TFLOPS which is 30% of the peak throughput. Therefore the GPU has a peak throughput of 130 TFLOPS so it is specifically the NVIDIA V100S PCIe. https://images.nvidia.com/content/technologies/volta/pdf/volta-v100-datasheet-update-us-1165301-r5.pdf Param-based calculation: 6ND = 6*3.9e9*(2e6+1e4)*1024*512 = 2.5e22 FLOP 1024 is the batch size, 512 …
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 Tesla V100S PCIe 32 GB
- Chips utilizados
- 512
- Horas de chip
- 191,488
- Tiempo de reloj
- 374 hours (15.6 days)
- Consumo de energía
- 262.6 kW
- Costo de cómputo
- $171,819
The 8.3B GPT-like arch took 2.1 days per epoch on 512 GPUs, batch size 512, sequence length 1024. An epoch was 68.5k iterations. BERT: batch size 1024, sequence length 512, 2e6 iterations total. Halving the model size should ~halve the iteration time. Doubling the batch size should ~double the iteration time. Halving the sequence length should ~quarter the iteration time (quadratic scaling). Hence 3.1e-5 days/iteration * 2 * 1/2 * 1/4 = 7.8e-6 days/iteration. 2e6 iterations => seems like 15.…
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
- Open source
training code https://github.com/NVIDIA/Megatron-LM/blob/main/pretrain_bert.py MIT-like license: https://github.com/NVIDIA/Megatron-LM/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.
- Modelo Frontier
- Yes
- Por qué se rastrea
- Highly cited,SOTA improvement
- Confianza de registro
- Confident
- Citas
- 2,766
"Our BERT model achieves SOTA results on the RACE dataset"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
Megatron-BERT fue publicado por NVIDIA, en el país registrado como United States of America, durante September 2019. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 2.2 × 10²² FLOP, en hardware registrado como NVIDIA Tesla V100S PCIe 32 GB. 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 6,960,000,000 tokens de texto
Su criterio de inclusión: highly cited,SOTA improvement.
Respuestas
Megatron-BERT — preguntas comunes
Megatron-BERT— ¿cuándo fue lanzado?
Se publicó en September 2019. 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.
Megatron-BERT— ¿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.
Megatron-BERT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.2 × 10²² FLOP, en hardware registrado como NVIDIA Tesla V100S PCIe 32 GB. 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.
Megatron-BERT— ¿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.
Megatron-BERT— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Megatron-BERT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3.9B. Table 4. 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.
Megatron-BERT— ¿Quién lo creó?
Fue publicado por NVIDIA, 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.