Megatron-LM (8.3B)
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
- 8.3B
- Données d'entraînement
- 46,400,000,000 tokens
- Époques
- 4.4
Source: https://lair.lighton.ai/akronomicon/ Archived source: https://web.archive.org/web/20211220142906/https://lair.lighton.ai/akronomicon/ Data also available on GitHub: https://github.com/lightonai/akronomicon/blob/main/akrodb/NVIDIA/Megatron-LM.json
"The resulting aggregate corpus contains 174 GB of deduplicated text."
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
- 9.1 × 10²¹ FLOP
- Comment cela a été établi
- Hardware,Operation counting,Third-party estimation
source: https://lair.lighton.ai/akronomicon/ archived: https://github.com/lightonai/akronomicon/tree/main/akrodb other estimates: 8.3B is a GPT-2-based model (Table 2). "For GPT-2 models, all training is performed with sequences of 1024 subword units at a batch size of 512 for 300k iterations" I interpret the above as 1024*512*300k = 157B training tokens 6 * 157 billion * 8.3 billion = 7.8e21 Also, their training setup achieved 15.1 petaFLOPS or 1.5e16 FLOPS. (512 V100s is 512 * 125 ter…
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
- Chips utilisés
- 512
- Heures de puce
- 167,424
- Temps en temps réel
- 327 hours (13.6 days)
- Utilisation du matériel
- HFU 23.6%
- Consommation d'énergie
- 262.6 kW
- Coût de calcul
- $109,288
Reported throughput is 15.1 teraFLOPS per GPU on 512 GPUs Assume total compute is 9.1e21 FLOP. Then training time is 327 hours. https://www.wolframalpha.com/input?i=9.1*10%5E21+FLOP+%2F+%28512*15.1+teraFLOPS%29
Achieved 15.1 PetaFLOP/s on 512 V100s, vs theoretical maximum of 512 * 125e12 = 64 PetaFLOP/s HFU = 15.1 / 64 = 0.2359
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
code (2.5B model is a GPT model): https://github.com/NVIDIA/Megatron-LM?tab=readme-ov-file#megatron-overview open license: https://github.com/NVIDIA/Megatron-LM?tab=License-1-ov-file#readme
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
- Likely
- Citations
- 2,766
- Données de référence
- Megatron-LM (8.3B)
"Using the GPT-2 model we achieve SOTA results on the WikiText103 (10.8 compared to SOTA perplexity of 15.8) and LAMBADA" GPT-2 model here meaning model similar to GPT-2
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
D'où cela vient-il
Megatron-LM (8.3B) a été publié par NVIDIA, dans le pays enregistré comme United States of America, durant September 2019. L'organisation de publication est catégorisée 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 9.1 × 10²¹ 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 46,400,000,000 jetons de texte
Son critère d'inclusion : highly cited,SOTA improvement.
Réponses
Megatron-LM (8.3B) — questions courantes
Megatron-LM (8.3B)— 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-LM (8.3B)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Megatron-LM (8.3B)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 9.1 × 10²¹ 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.
Megatron-LM (8.3B)— 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-LM (8.3B)— 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-LM (8.3B)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 8.3B. Source: https://lair.lighton.ai/akronomicon/ Archived source: https://web.archive.org/web/20211220142906/https://lair.lighton.ai/akronomicon/ Data also available on GitHub: https://github.com/lightonai/akronomicon/blob/main/akrodb/NVIDIA/Megatron-LM.json. 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-LM (8.3B)— 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.