Megatron-BERT
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
- NVIDIA
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 17 September 2019
- Auteurs
- Mohammad Shoeybi, Mostofa Patwary, Raul Puri, Patrick LeGresley, Jared Casper, Bryan Catanzaro
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling/generation
- Approche
- Self-supervised learning
- Format numérique
- FP16
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
- 3.9B
- Données d'entraînement
- 6,960,000,000 tokens
- Taille de lot
- 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
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
- 2.2 × 10²² FLOP
- Comment cela a été établi
- 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 …
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 V100S PCIe 32 GB
- Chips utilisés
- 512
- Heures de puce
- 191,488
- Temps en temps réel
- 374 hours (15.6 days)
- Consommation d'énergie
- 262.6 kW
- Coût de calcul
- $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.…
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- 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
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.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 2,766
"Our BERT model achieves SOTA results on the RACE dataset"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
Megatron-BERT a été publié par NVIDIA, dans le pays enregistré comme United States of America, durant September 2019. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de 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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 2.2 × 10²² FLOP, sur matériel enregistré comme NVIDIA Tesla V100S PCIe 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 6,960,000,000 jetons de texte
Son critère d'inclusion : highly cited,SOTA improvement.
Réponses
Megatron-BERT — questions courantes
Megatron-BERT— quand a-t-il été publié ?
Il a été publié dans September 2019. 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.
Megatron-BERT— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Megatron-BERT— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.2 × 10²² FLOP, sur matériel enregistré comme NVIDIA Tesla V100S PCIe 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.
Megatron-BERT— 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.
Megatron-BERT— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Megatron-BERT— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 3.9B. Table 4. 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.
Megatron-BERT— qui l'a créé ?
Il a été publié par NVIDIA, basé sur United States of America, une organisation catégorisée comme industry.
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.