Pangu Ultra MoE
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
- Huawei
- Organisatietype
- Industry
- Land
- China
- Gepubliceerd
- 7 May 2025
- Auteurs
- Yehui Tang, Yichun Yin, Yaoyuan Wang, Hang Zhou, Yu Pan, Wei Guo, Ziyang Zhang, Miao Rang, Fangcheng Liu, Naifu Zhang, Binghan Li, Yonghan Dong, Xiaojun Meng, Yasheng Wang, Dong Li, Yin Li, Dandan Tu, Can Chen, Youliang Yan, Fisher Yu, Ruiming Tang, Yunhe Wang, Botian Huang, Bo Wang, Boxiao Liu, Changzheng Zhang, Da Kuang, Fei Liu, Gang Huang, Jiansheng Wei, Jiarui Qin, Jie Ran, Jinpeng Li, Jun Zh…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Question answering
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
- 718B
- Training gegevens
- tokens
a sparse LLM with 718 billion parameters 39B activated parameters
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
- 3.1 × 10²⁴ FLOP
- Hoe het werd opgericht
- Operation counting
Speculatively assuming they trained MoE model on the same amount of tokens as Pangu Ultra (13,2 T): 6 FLOP / parameter / token * 39 * 10^9 activated parameters * 13,2 * 10^12 tokens = 3.0888e+24 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Huawei Ascend 910B
- Gebruikte chips
- 6,000
- Hardwaregebruik
- MFU 30.0%
- Stroomverbruik
- 4.7 MW
"Taking advantage of our model selection strategy and parallel computing system optimization, when training Pangu Ultra MoE, with performance comparable to DeepSeek R1 [10], we achieve a Model Flops Utilization (MFU) of 30.0% and Tokens Per Second (TPS) of 1.46M on 6K Ascend NPUs, compared to the baseline MFU of 18.9% and TPS of 0.61M on 4K Ascend NPUs."
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
- Hosted access (no API)
- Training code
- Unreleased
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.
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Record vertrouwen
- Speculative
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Pangu Ultra MoE: How to Train Your Big MoE on Ascend NPUs
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Pangu Ultra MoE werd gepubliceerd door Huawei, in het land geregistreerd als China, tijdens May 2025. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.1 × 10²⁴ FLOP, op hardware vastgelegd als Huawei Ascend 910B. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Pangu Ultra MoE — veelgestelde vragen
Pangu Ultra MoE— 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.
Pangu Ultra MoE— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Pangu Ultra MoE— hoeveel parameters heeft het?
Het heeft een parameter telling van 718B. a sparse LLM with 718 billion parameters 39B activated parameters. 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.
Pangu Ultra MoE— wie heeft het gemaakt?
Het werd gepubliceerd door Huawei, gebaseerd op China, een organisatie geclassificeerd als industry.
Pangu Ultra MoE— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2025.
Pangu Ultra MoE— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Pangu Ultra MoE— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.1 × 10²⁴ FLOP, op hardware vastgelegd als Huawei Ascend 910B. 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.
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.