Megatron-BERT
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- NVIDIA
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 17 September 2019
- Autorzy
- Mohammad Shoeybi, Mostofa Patwary, Raul Puri, Patrick LeGresley, Jared Casper, Bryan Catanzaro
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling/generation
- Podejście
- Self-supervised learning
- Format numeryczny
- FP16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 3.9B
- Dane treningowe
- 6,960,000,000 tokens
- Rozmiar wsadu
- 524,288
Table 4
"The resulting aggregate corpus contains 174 GB of deduplicated text." 174e9 bytes * (1 word / 5 bytes) * (4 tokens / 3 words) = 4.64e10 tokens
"we set the batch size to 1024 and use a learning rate of 1.0e4 warmed up over 10,000 iterations and decayed linearly over 2 million iterations. Other training parameters are kept the same as (Devlin et al., 2018)." in Devlin et al (BERT), sequences are 512 tokens
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 2.2 × 10²² FLOP
- Jak to zostało ustalone
- Operation counting,Third-party estimation
A third-party source: https://lair.lighton.ai/akronomicon/ claims 5.7e22 The authors report experimenting on 1 V100 GPU and achieving throughput of 39 TFLOPS which is 30% of the peak throughput. Therefore the GPU has a peak throughput of 130 TFLOPS so it is specifically the NVIDIA V100S PCIe. https://images.nvidia.com/content/technologies/volta/pdf/volta-v100-datasheet-update-us-1165301-r5.pdf Param-based calculation: 6ND = 6*3.9e9*(2e6+1e4)*1024*512 = 2.5e22 FLOP 1024 is the batch size, 512 …
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla V100S PCIe 32 GB
- Zastosowane chipy
- 512
- Czas-chip
- 191,488
- Czas rzeczywisty
- 374 hours (15.6 days)
- Pobór mocy
- 262.6 kW
- Koszt obliczeniowy
- $171,819
The 8.3B GPT-like arch took 2.1 days per epoch on 512 GPUs, batch size 512, sequence length 1024. An epoch was 68.5k iterations. BERT: batch size 1024, sequence length 512, 2e6 iterations total. Halving the model size should ~halve the iteration time. Doubling the batch size should ~double the iteration time. Halving the sequence length should ~quarter the iteration time (quadratic scaling). Hence 3.1e-5 days/iteration * 2 * 1/2 * 1/4 = 7.8e-6 days/iteration. 2e6 iterations => seems like 15.…
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
training code https://github.com/NVIDIA/Megatron-LM/blob/main/pretrain_bert.py MIT-like license: https://github.com/NVIDIA/Megatron-LM/blob/main/LICENSE
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model Frontier
- Yes
- Dlaczego to jest śledzone
- Highly cited,SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 2,766
"Our BERT model achieves SOTA results on the RACE dataset"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Megatron-LM: Training Multi-Billion Parameter Language Models Using Model Parallelism
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
Megatron-BERT został opublikowany przez NVIDIA, w kraju zapisanym jako United States of America, podczas September 2019. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trening zajmował około 2.2 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla V100S PCIe 32 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 6,960,000,000 Tokeny tekstu.
Kryterium włączenia: highly cited,SOTA improvement.
Odpowiedzi
Megatron-BERT — częste pytania
Megatron-BERT— kiedy to zostało wydane?
Zostało opublikowane w September 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Megatron-BERT— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Megatron-BERT— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.2 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla V100S PCIe 32 GB. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Megatron-BERT— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Megatron-BERT— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Megatron-BERT— ile ma parametrów?
Ma liczbę parametrów równą 3.9B. Table 4. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Megatron-BERT— kto to stworzył?
Zostało opublikowane przez NVIDIA, oparty na United States of America, organizacja sklasyfikowana jako industry.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.