GPT-3 Medium
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- OpenAI
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 22 June 2020
- Auteurs
- Tom B. Brown, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel M. Ziegler, Jeffrey Wu, Clemens Winter, Christopher Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, C…
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Text autocompletion, Language modeling/generation
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 356M
- Données d'entraînement
- 300,000,000,000 tokens
- Taille de lot
- 500,000
350M
300b, per table d.1
0.5M, per table 2.1
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 6.4 × 10²⁰ FLOP
- Comment cela a été établi
- Reported
Table D.1 https://arxiv.org/abs/2005.14165
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA Tesla V100 DGXS 32 GB
- Fournisseur de cloud
- Microsoft
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 58,240
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Language Models are Few-Shot Learners
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
GPT-3 Medium a été publié par OpenAI, dans le pays enregistré comme United States of America, durant June 2020. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de text autocompletion, Language modeling/generation.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
L'entraînement a consommé environ 6.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 DGXS 32 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 300,000,000,000 jetons de texte
Réponses
GPT-3 Medium — questions courantes
GPT-3 Medium— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 356M. 350M. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
GPT-3 Medium— qui l'a créé ?
Il a été publié par OpenAI, basé sur United States of America, une organisation catégorisée comme industry.
GPT-3 Medium— quand a-t-il été publié ?
Il a été publié dans June 2020. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
GPT-3 Medium— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de text autocompletion, Language modeling/generation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
GPT-3 Medium— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 DGXS 32 GB. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
GPT-3 Medium— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
GPT-3 Medium— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.