Megatron-LM (8.3B)
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
- NVIDIA
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 17 September 2019
- Autori
- Mohammad Shoeybi, Mostofa Patwary, Raul Puri, Patrick LeGresley, Jared Casper, Bryan Catanzaro
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
- Formato numerico
- FP16
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
- 8.3B
- Dati di addestramento
- 46,400,000,000 tokens
- Epoche
- 4.4
Source: https://lair.lighton.ai/akronomicon/ Archived source: https://web.archive.org/web/20211220142906/https://lair.lighton.ai/akronomicon/ Data also available on GitHub: https://github.com/lightonai/akronomicon/blob/main/akrodb/NVIDIA/Megatron-LM.json
"The resulting aggregate corpus contains 174 GB of deduplicated text."
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
- 9.1 × 10²¹ FLOP
- Come è stato stabilito
- Hardware,Operation counting,Third-party estimation
source: https://lair.lighton.ai/akronomicon/ archived: https://github.com/lightonai/akronomicon/tree/main/akrodb other estimates: 8.3B is a GPT-2-based model (Table 2). "For GPT-2 models, all training is performed with sequences of 1024 subword units at a batch size of 512 for 300k iterations" I interpret the above as 1024*512*300k = 157B training tokens 6 * 157 billion * 8.3 billion = 7.8e21 Also, their training setup achieved 15.1 petaFLOPS or 1.5e16 FLOPS. (512 V100s is 512 * 125 ter…
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
- 512
- Chip-ore
- 167,424
- Tempo di parete
- 327 hours (13.6 days)
- Utilizzo dell'hardware
- HFU 23.6%
- Consumo energetico
- 262.6 kW
- Costo di calcolo
- $109,288
Reported throughput is 15.1 teraFLOPS per GPU on 512 GPUs Assume total compute is 9.1e21 FLOP. Then training time is 327 hours. https://www.wolframalpha.com/input?i=9.1*10%5E21+FLOP+%2F+%28512*15.1+teraFLOPS%29
Achieved 15.1 PetaFLOP/s on 512 V100s, vs theoretical maximum of 512 * 125e12 = 64 PetaFLOP/s HFU = 15.1 / 64 = 0.2359
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
- Open source
code (2.5B model is a GPT model): https://github.com/NVIDIA/Megatron-LM?tab=readme-ov-file#megatron-overview open license: https://github.com/NVIDIA/Megatron-LM?tab=License-1-ov-file#readme
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Likely
- Citazioni
- 2,766
- Dati di benchmark
- Megatron-LM (8.3B)
"Using the GPT-2 model we achieve SOTA results on the WikiText103 (10.8 compared to SOTA perplexity of 15.8) and LAMBADA" GPT-2 model here meaning model similar to GPT-2
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
Megatron-LM (8.3B) è stato pubblicato da NVIDIA, nel paese registrato come United States of America, durante September 2019. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 9.1 × 10²¹ 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.
È stato addestrato su un corpus di circa 46,400,000,000 token di testo
Il suo criterio di inclusione: highly cited,SOTA improvement.
Risposte
Megatron-LM (8.3B) — domande comuni
Megatron-LM (8.3B)— quando è stato rilasciato?
È stato pubblicato in September 2019. 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.
Megatron-LM (8.3B)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Megatron-LM (8.3B)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.1 × 10²¹ 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.
Megatron-LM (8.3B)— 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.
Megatron-LM (8.3B)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Megatron-LM (8.3B)— quanti parametri ha?
Ha un numero di parametri di 8.3B. Source: https://lair.lighton.ai/akronomicon/ Archived source: https://web.archive.org/web/20211220142906/https://lair.lighton.ai/akronomicon/ Data also available on GitHub: https://github.com/lightonai/akronomicon/blob/main/akrodb/NVIDIA/Megatron-LM.json. 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.
Megatron-LM (8.3B)— chi l'ha creato?
È stato pubblicato da NVIDIA, basato su United States of America, un'organizzazione categorizzata come industry.
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.