MegaScale (Production)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- ByteDance,Peking University
- Tipo di organizzazione
- Industry,Academia
- Paese
- China
- Pubblicato
- 23 February 2024
- Autori
- 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
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation
- Approccio
- Self-supervised learning
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 530B
- Dati di addestramento
- tokens
Production run is stated to have "hundreds of billions of parameters". Since the authors also do a number of experiments with a 530B model, I speculate they've used 530B for the production model.
Speculative. Authors note production system was trained on "multi-trillions of tokens". This could refer to training for multiple epochs on the same 300B tokens used to train the 175B and 530B models outlined in more detail in the paper. Alternatively, it could refer to a larger dataset of perhaps 3-9 trillion tokens.
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 3.9 × 10²⁴ FLOP
- Come è stato stabilito
- Other
Speculative. The model is stated to have trained for "several weeks". Assuming 530B parameters and "several" = 3, compute can be estimated from the 175B model's stated PFLOP/sec: 2166.3 aggregate PFlops/sec * 3 weeks * 7 days/week * 24 hours/day * 3600 seconds/hour = 3.9e+24. As an upper bound, say 8e+24.
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA A100
- Chip utilizzati
- 12,288
- Tempo di parete
- 504 hours (21 days)
- Utilizzo dell'hardware
- MFU 48.0%
- Consumo energetico
- 9.7 MW
- Costo di calcolo
- $2,614,019
- Centro dati
- ByteDance MegaScale training cluster
Speculative. Authors state "several weeks". For analysis, I've assumed this means around 3 weeks.
Figure 12 shows MFU, which is around 0.484 during stable periods, with short spikes to as low as 0.4. It seems like the overall average is likely minimally affected by the spikes, but I'll round down to 0.48
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Code for MegaScale (also called veScale) training system are released under Apache Licence: https://github.com/volcengine/vescale The model itself is unreleased.
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Speculative
- Citazioni
- 302
Improves SOTA in FLOP utilization for distributed LLM training by 1.34X.
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- MegaScale: Scaling Large Language Model Training to More Than 10,000 GPUs
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
MegaScale (Production) è stato pubblicato da ByteDance,Peking University, nel paese registrato come China, durante February 2024. L'organizzazione di pubblicazione è classificata come industry,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 3.9 × 10²⁴ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
MegaScale (Production) — domande comuni
MegaScale (Production)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
MegaScale (Production)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.9 × 10²⁴ FLOP, su hardware registrato come NVIDIA A100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
MegaScale (Production)— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
MegaScale (Production)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
MegaScale (Production)— quanti parametri ha?
Ha un numero di parametri di 530B. Production run is stated to have "hundreds of billions of parameters". Since the authors also do a number of experiments with a 530B model, I speculate they've used 530B for the production model. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
MegaScale (Production)— chi l'ha creato?
È stato pubblicato da ByteDance,Peking University, basato su China, un'organizzazione categorizzata come industry,Academia.
MegaScale (Production)— quando è stato rilasciato?
È stato pubblicato in February 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.