Sparse Wide GPT-3 Small
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
- Cerebras Systems
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 21 March 2023
- Autori
- Shreyas Saxena, Vithursan Thangarasa, Abhay Gupta, Sean Lie
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, Question answering
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
- 1.3B
- Dati di addestramento
- 2,500,000,000 tokens
- Epoche
- 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)
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
- 1.9 × 10¹⁸ FLOP
- Come è stato stabilito
- 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)
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
- Cerebras CS-2
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
paper has repo but no code for sparse GPT-3: https://github.com/CerebrasResearch/Sparse-IFT
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
- Citazioni
- 8
- Dati di benchmark
- Sparse Wide GPT-3 Small
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Sparse Iso-FLOP Transformations for Maximizing Training Efficiency
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
Sparse Wide GPT-3 Small è stato pubblicato da Cerebras Systems, nel paese registrato come United States of America, durante March 2023. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Question answering.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 1.9 × 10¹⁸ FLOP, su hardware registrato come Cerebras CS-2. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 2,500,000,000 token di testo
Risposte
Sparse Wide GPT-3 Small — domande comuni
Sparse Wide GPT-3 Small— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.9 × 10¹⁸ FLOP, su hardware registrato come Cerebras CS-2. 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.
Sparse Wide GPT-3 Small— 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.
Sparse Wide GPT-3 Small— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Sparse Wide GPT-3 Small— quanti parametri ha?
Ha un numero di parametri di 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). 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.
Sparse Wide GPT-3 Small— chi l'ha creato?
È stato pubblicato da Cerebras Systems, basato su United States of America, un'organizzazione categorizzata come industry.
Sparse Wide GPT-3 Small— quando è stato rilasciato?
È stato pubblicato in March 2023. 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.
Sparse Wide GPT-3 Small— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.