GPT-4.5
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
- OpenAI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 27 February 2025
- Autores
- Foundational contributors Alex Paino, Ali Kamali, Amin Tootoonchian, Andrew Tulloch, Ben Sokolowsky, Clemens Winter, Colin Wei, Daniel Kappler, Daniel Levy, Felipe Petroski Such, Geoff Salmon, Ian O’Connell, Jason Teplitz, Kai Chen, Nik Tezak, Prafulla Dhariwal, Rapha Gontijo Lopes, Sam Schoenholz, Youlong Cheng, Yujia Jin, Yunxing Dai Research Core contributors Aiden Low, Alec Radford, Alex Car…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language, Vision, Multimodal
- Tarea
- Language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation
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.
- Datos de entrenamiento
- 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
- 3.8 × 10²⁶ FLOP
- Cómo se estableció
- Benchmarks
Analysis of GPT-4.5's training cluster yields a median estimate of 187M H100-hours of training. The utilization assumptions we used for the Grok 3 estimate (maybe worth revisiting) were 20 to 40% under the H100 FP8 spec of 2000 teraflop/s. This leads to an estimate of 2.7e26 to 5.4e26 FLOP, or a geomean of 3.8e26 Alternatively, using a plausible range of 20 to 50% utilization, given the possibility of FP8 training, yields a median estimate of ~2e25 FLOP. See notebook below for details. https:/…
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 3,000 hours (125 days)
- Costo de cómputo
- $366,010,628
- Proveedor de nube
- Azure AI
- Centro de datos
- Microsoft Goodyear Arizona
Likely trained for around 4 months/120 days https://colab.research.google.com/drive/1QBmVPm64Ti0xucN0EsZTgSz_I7Mj9hAZ#scrollTo=NYH1ABJuLJlw
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
- API access
- Código de entrenamiento
- Unreleased
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
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- Training cost
- Confianza de registro
- Likely
Described by OpenAI as a "new order of magnitude of compute" https://openai.com/index/introducing-gpt-4-5/
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Introducing GPT-4.5
- Última actualización
- 8 June 2026
Qué significan los números
Qué es este modelo
GPT-4.5 fue publicado por OpenAI, en el país registrado como United States of America, durante February 2025. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, Vision, Multimodal, y se registra como realizando la tarea de language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 3.8 × 10²⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Se rastrea en el conjunto de datos subyacente por una razón en particular: training cost.
Respuestas
GPT-4.5 — preguntas comunes
GPT-4.5— ¿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-4.5— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GPT-4.5— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
GPT-4.5— ¿Quién lo creó?
Fue publicado por OpenAI, basado en United States of America, una organización categorizada como industry.
GPT-4.5— ¿cuándo fue lanzado?
Se publicó en February 2025.
GPT-4.5— ¿Para qué se utiliza?
Funciona en el dominio de Language, Vision, Multimodal, y se registra como manejando la tarea de language modeling/generation, Question answering, Quantitative reasoning, Translation, Visual question answering, Code generation, Instruction interpretation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
GPT-4.5— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.8 × 10²⁶ FLOP. 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.
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.