GPT-3 175B (davinci)
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
- OpenAI
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 28 May 2020
- Autori
- Tom B. Brown, Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel M. Ziegler, Jeffrey Wu, Clemens Winter, Christopher Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, C…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Text autocompletion, 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
- 174.6B
- Dati di addestramento
- 238,000,000,000 tokens
- Epoche
- 0.6
- Dimensione del Batch
- 3,200,000
"we train GPT-3, an autoregressive language model with 175 billion parameters" Rather, it's 174.6 billion. Table D.1: 174,600 million parameters
From table 2.2, we determine that there are 410 + 19 + 12 + 55 + 3 = 499 billion tokens. We multiply this by 0.75 to give 374B words. 3.74e11 ======================== [Anson: I think the calculation below doesn't look at all the data, the CommonCrawl data only constitutes 60% of the data. Multiplying by 5/3 gives 4.75e11] "The CommonCrawl data was downloaded from 41 shards of monthly CommonCrawl covering 2016 to 2019, constituting 45TB of compressed plaintext before filtering and 570GB aft…
3.2M, per table 2.1
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
- 3.1 × 10²³ FLOP
- Come è stato stabilito
- Reported
Table D.1 https://arxiv.org/abs/2005.14165
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 Tesla V100 DGXS 32 GB
- Chip utilizzati
- 10,000
- Chip-ore
- 3,552,000
- Tempo di parete
- 355 hours (14.8 days)
- Utilizzo dell'hardware
- MFU 19.7%
- Consumo energetico
- 5.1 MW
- Costo di calcolo
- $2,116,866
- Fornitore di cloud
- Microsoft
14.8 days according to https://arxiv.org/ftp/arxiv/papers/2104/2104.10350.pdf
See table 4 of the carbon emissions paper: https://arxiv.org/pdf/2104.10350 MFU calculation from total compute: (6 FLOP/token/param * 174.6B params * 300B tokens) / (10k V100 * 125 TFLOPS/V100 * 14.8 days) = 0.1966 https://www.wolframalpha.com/input?i=%286*174.6+billion+*+300+billion%29+FLOP+%2F+%281250000+TFLOPS+*+14.8+days%29 HFU calculation from GPU throughput: The paper reports 24.6 TFLOPS throughput per V100, and reports the V100 peak performance of 125 TFLOPS (which is correct if trainin…
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
- API access
- Codice di addestramento
- Unreleased
https://openai.com/blog/openai-api
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Modello di base
- Yes
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- Highly cited,Training cost
- Record fiducia
- Confident
- Citazioni
- 58,240
- Dati di benchmark
- GPT-3 175B (davinci)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Language Models are Few-Shot Learners
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
GPT-3 175B (davinci) è stato pubblicato da OpenAI, nel paese registrato come United States of America, durante May 2020. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di text autocompletion, 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.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 3.1 × 10²³ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 238,000,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,Training cost.
Risposte
GPT-3 175B (davinci) — domande comuni
GPT-3 175B (davinci)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.1 × 10²³ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. 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.
GPT-3 175B (davinci)— 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.
GPT-3 175B (davinci)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
GPT-3 175B (davinci)— quanti parametri ha?
Ha un numero di parametri di 174.6B. "we train GPT-3, an autoregressive language model with 175 billion parameters" Rather, it's 174.6 billion. Table D.1: 174,600 million parameters. 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.
GPT-3 175B (davinci)— chi l'ha creato?
È stato pubblicato da OpenAI, basato su United States of America, un'organizzazione categorizzata come industry.
GPT-3 175B (davinci)— quando è stato rilasciato?
È stato pubblicato in May 2020. 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.
GPT-3 175B (davinci)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di text autocompletion, Language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.