GPT-SW3
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- AI Sweden,RISE
- Organisatietype
- Academia
- Land
- Sweden
- Gepubliceerd
- 25 June 2022
- Auteurs
- Ariel Ekgren, Amaru Cuba Gyllensten, Evangelia Gogoulou, Alice Heiman, Severine Verlinden, Joey Ohman, Fredrik Carlsson, Magnus Sahlgren
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Aanpak
- Self-supervised learning
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 3.5B
- Training gegevens
- 101,711,872,000 tokens
- Epochs
- 5
100GB Swedish corpus, assume Swedish has similar 167M words per GB as German. 100*167e6 = 1.67e10 "The model is trained for 97000 steps with a batch size of 512 using the autoregressive next-step prediction objective" "Sequence length 2,048" 97000*512*2048=101711872000 tokens = 102B tokens 100*167000000/0,75=22266666666 tokens = 22B tokens (then I assume multiple epochs)
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 1.7 × 10²¹ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
From section 4: "Training was performed on GPU resources from the Berzelius Superpod, which is currently the fastest super computer in Sweden, equipped with 60 Nvidia DGX A100 servers, each of which consists of 8 Nvidia A100 GPUs with 320 GB Total GPU memory. Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 GPUs)." 2.5*24*60**2 * 128 * 1.56E+14 * 0.3 = 1.3e21 6 FLOP / parameter / token * 3.5 * 10^9 parameters * 97000 steps * 512 samples per batch * 2048 tok…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Kloktijd
- 60 hours
"Our training process took 2.5 days utilizing 16 of the DGX A100 servers (in total 128 GPUs)."
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
they released many other models from the series but not 3.5B one https://huggingface.co/AI-Sweden-Models/gpt-sw3-40b/blob/main/LICENSE
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
- Citaties
- 20
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Lessons Learned from GPT-SW3: Building the First Large-Scale Generative Language Model for Swedish
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
GPT-SW3 werd gepubliceerd door AI Sweden,RISE, in het land geregistreerd als Sweden, tijdens June 2022. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1.7 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 101,711,872,000 tekstokens
Antwoorden
GPT-SW3 — veelgestelde vragen
GPT-SW3— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GPT-SW3— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
GPT-SW3— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.7 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA A100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
GPT-SW3— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
GPT-SW3— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
GPT-SW3— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.5B. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
GPT-SW3— wie heeft het gemaakt?
Het werd gepubliceerd door AI Sweden,RISE, gebaseerd op Sweden, een organisatie geclassificeerd als academia.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.