MegaScale (530B)
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- ByteDance,Peking University
- Szervezet típusa
- Industry,Academia
- Ország
- China
- Közölt
- 23 February 2024
- Szerzők
- Ziheng Jiang, Haibin Lin, Yinmin Zhong, Qi Huang, Yangrui Chen, Zhi Zhang, Yanghua Peng, Xiang Li, Cong Xie, Shibiao Nong, Yulu Jia, Sun He, Hongmin Chen, Zhihao Bai, Qi Hou, Shipeng Yan, Ding Zhou, Yiyao Sheng, Zhuo Jiang, Haohan Xu, Haoran Wei, Zhang Zhang, Pengfei Nie, Leqi Zou, Sida Zhao, Liang Xiang, Zherui Liu, Zhe Li, Xiaoying Jia, Jianxi Ye, Xin Jin, Xin Liu
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling/generation
- Megközelítés
- Self-supervised learning
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 530B
- Képzési adatok
- 300,000,000,000 tokens
- Epochok
- 1
- Tételméret
- 12,582,912
Two models are trained for epoch to evaluate the MegaScale training system; one model with 175B and another with 530B parameters. This entry reports the 530B model. There is a third production model mentioned, with fewer details.
300B tokens
Experiments with both 768 and 6144, multiplied by 2048
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 9.7 × 10²³ FLOP
- Hogyan jött létre
- Comparison with other models
175B models uses 3.2e23 FLOPs (Table 2, bottom row) With constant dataset size and utilization, FLOPs should scale linearly in # parameters, so: 3.2e23 * (530/175) = 9.7e23
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100
- Használt chipek
- 11,200
- Fali óra idő
- 118 hours
- Hardverhasználat
- MFU 54.3%
- Teljesítményfogyasztás
- 8.9 MW
- Adatközpont
- ByteDance MegaScale training cluster
175B parameter model is stated to have taken 1.75 days. 500B model used more compute, fewer GPUs, and had slightly worse MFU. Accounting for these: 1.75 days * 24 hours/day * (9.7e23/3.2e23) * (11200/12288) * (0.552/0.543) = 117.9 hours
MFU given in fgure 9, when training with the full 11200 GPUs.
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
they open-sourced their framework but don't see training code for their big model. https://github.com/volcengine/vescale Model weights are unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Valószínűleg 10²³ FLOP felett
- Yes
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 302
Improves SOTA in FLOP utilization for distributed LLM training by 1.34X
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
MegaScale (530B) ki lett adva által ByteDance,Peking University, az országban rögzítve mint China, alatt February 2024. A kiadó kategóriája alá tartozik industry,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Hogyan lett betanítva
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 9.7 × 10²³ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 300,000,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
MegaScale (530B) — gyakori kérdések
MegaScale (530B)— Hány paramétere van?
Paraméterszáma 530B. Two models are trained for epoch to evaluate the MegaScale training system; one model with 175B and another with 530B parameters. This entry reports the 530B model. There is a third production model mentioned, with fewer details. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
MegaScale (530B)— Ki készítette ezt?
Kiadta ByteDance,Peking University, alapján China, egy szervezet, amelyet kategorizáltak mint industry,Academia.
MegaScale (530B)— Mikor adták ki?
Kibocsátották a February 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
MegaScale (530B)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
MegaScale (530B)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 9.7 × 10²³ FLOP, hardveren rögzítve NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
MegaScale (530B)— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
MegaScale (530B)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..