Sparse Wide GPT-3 Small
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
- Cerebras Systems
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 21 March 2023
- Szerzők
- Shreyas Saxena, Vithursan Thangarasa, Abhay Gupta, Sean Lie
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling/generation, Question answering
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
- 1.3B
- Képzési adatok
- 2,500,000,000 tokens
- Epochok
- 1
GPT-3 Small: 125M At 90% sparsity → ~1.25B total parameters At 75% sparsity → 125M * ksw^2 = 125M *(1/(1-0.75)) = 500M total pramters (I assume only 125M are active)
2.5B (table 13)
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
- 1.9 × 10¹⁸ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / parameter / token * 125* 10^6 active parameters * 2.5 * 10^9 tokens = 1.875e+18 FLOP __________________ in the Algorithmic progress paper the estimation was 8.84 × 10^19 FLOP, they assumed WT-103 dataset (not mentioned in the paper) and different number of parameters (1.3* 10^9 - I am unsure where it comes from)
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- Cerebras CS-2
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
paper has repo but no code for sparse GPT-3: https://github.com/CerebrasResearch/Sparse-IFT
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 8
- Benchmark adatok
- Sparse Wide GPT-3 Small
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Sparse Iso-FLOP Transformations for Maximizing Training Efficiency
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
Sparse Wide GPT-3 Small ki lett adva által Cerebras Systems, az országban rögzítve mint United States of America, alatt March 2023. A kiadó kategóriája alá tartozik industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Question answering.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 1.9 × 10¹⁸ FLOP, hardveren rögzítve Cerebras CS-2. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 2,500,000,000 szöveg tokenjei
Válaszok
Sparse Wide GPT-3 Small — gyakori kérdések
Sparse Wide GPT-3 Small— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.9 × 10¹⁸ FLOP, hardveren rögzítve Cerebras CS-2. 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.
Sparse Wide GPT-3 Small— 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.
Sparse Wide GPT-3 Small— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Sparse Wide GPT-3 Small— Hány paramétere van?
Paraméterszáma 1.3B. GPT-3 Small: 125M At 90% sparsity → ~1.25B total parameters At 75% sparsity → 125M * ksw^2 = 125M *(1/(1-0.75)) = 500M total pramters (I assume only 125M are active). 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.
Sparse Wide GPT-3 Small— Ki készítette ezt?
Kiadta Cerebras Systems, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
Sparse Wide GPT-3 Small— Mikor adták ki?
Kibocsátották a March 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Sparse Wide GPT-3 Small— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Question answering. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
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..