Chinchilla
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- DeepMind
- Organisatie type
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 29 March 2022
- Auteurs
- Jordan Hoffmann, Sebastian Borgeaud, Arthur Mensch, Elena Buchatskaya, Trevor Cai, Eliza Rutherford, Diego de Las Casas, Lisa Anne Hendricks, Johannes Welbl, Aidan Clark, Tom Hennigan, Eric Noland, Katie Millican, George van den Driessche, Bogdan Damoc, Aurelia Guy, Simon Osindero, Karen Simonyan, Erich Elsen, Jack W. Rae, Oriol Vinyals, Laurent Sifre
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Benadering
- Self-supervised learning
- Numerical format
- BF16
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 70B
- Opleidingsgegevens
- 1,400,000,000,000 tokens
- Epochs
- 1
- Batch size
- 3,000,000
"We test this hypothesis by training a predicted compute-optimal model, \chinchilla, that uses the same compute budget as \gopher but with 70B parameters and 4× more more data. \chinchilla uniformly and significantly outperforms \Gopher (280B), GPT-3 (175B), Jurassic-1 (178B), and Megatron-Turing NLG (530B) on a large range of downstream evaluation tasks."
Table 1 shows Chinchilla was training on 1.4 trillion tokens 1 token ~ 0.75 words
Table 1. "1.5M → 3M"
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 5.8 × 10²³ FLOP
- Hoe het werd opgericht
- Reported
"Both Chinchilla and Gopher have been trained for the same number of FLOPs but differ in the size of the model and the number of training tokens." We see the number of flops in table 3
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- Google TPU v4,Google TPU v3
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
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Foundation model
- Yes
- Waarschijnlijk boven 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement,Historical significance
- Vereiste vertrouwen
- Confident
- Citaties
- 3,188
- Benchmark data
- Chinchilla
Proposes new scaling law, with good empirical results
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Training Compute-Optimal Large Language Models
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
Chinchilla was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in March 2022. The organisation is categorised as industry.
Het werkt in Taal, en wordt geregistreerd als het uitvoeren van taalmodellering.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Wat erin is gestopt om het te bouwen
Producing it required around 5.8 × 10²³ FLOP of arithmetic, on Google TPU v4,Google TPU v3, which is a statement about the training budget rather than about inference.
The training set ran to roughly 1,400,000,000,000 tokens.
Its inclusion criterion is sOTA improvement,Historical significance.
Antwoorden
Chinchilla — Veelgestelde vragen
How much compute was used to train Chinchilla?
Around 5.8 × 10²³ FLOP, on Google TPU v4,Google TPU v3. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Chinchilla?
None. Chinchilla is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Chinchilla open source?
No. Chinchilla has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Chinchilla have?
Chinchilla has 70B parameters. "We test this hypothesis by training a predicted compute-optimal model, \chinchilla, that uses the same compute budget as \gopher but with 70B parameters and 4× more more data. \chinchilla uniformly and significantly outperforms \Gopher (280B), GPT-3 (175B), Jurassic-1 (178B), and Megatron-Turing NLG (530B) on a large range of downstream evaluation tasks.". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Chinchilla?
Chinchilla was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was Chinchilla released?
Chinchilla was published in March 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Chinchilla used for?
Chinchilla works in Language, and is recorded as handling language modeling. These are the areas it was designed around; they describe intent rather than a hard boundary.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.