gpt-4|GPT-4参数将达10兆！此表格预测全新语言模型参数将是GPT-3的57倍骨干网|市场规模|移动互联网

来源：lifearchitect
编辑：好困
【新智元导读】GPT-4将会有高达10兆个参数？近日，有网友在分析了GPT-3和其他语言模型之后大胆预测，GPT-4将会达到GPT-3的57倍！而「开源版本」则会达到和GPT-3同等的规模。
【 gpt-4|GPT-4参数将达10兆！此表格预测全新语言模型参数将是GPT-3的57倍】对于机器学习来说，参数可以算得上算法的关键：它们是历史的输入数据，经过模型训练得来的结果，是模型的一部分。
一般来说，在NLP领域，参数数量和复杂程度之间具有正相关性。而OpenAI的GPT-3则是迄今为止最大的语言模型之一，有1750亿个参数。
那么，GPT-4会是什么样子的？
近日有网友就对GTP-4及其「开源版」GPT-NeoX进行了大胆的预测。

文章插图
作者认为，GPT-4的参数或许可以达到10T，是现在GPT-3模型的57倍还多，而GPT-NeoX的规模则可以和GPT-3持平。
等下，如果是这样，程序员们还能不能在GPT-NeoX上愉快地调参了？
数据集分析
目前应用最广的GPT-3的训练语料库来自于规模巨大的结构文本。其中所有数据集都被索引，分类，过滤和加权，而且还针对重复的部分也做了大量的删减。
专门为Openai开发并由Microsoft Azure托管的世界最强超算之一完成了对GPT-3的训练。超算系统有超过285,000个CPU核心，超过10,000个 GPU，并且以400Gbps的速度运行。

文章插图
GPT-3
Wikipedia DataSet是来自于Wikipedia的英文内容。由于其质量，写作风格和广度，它是语言建模的高质量文本的标准来源。
WebText数据集（以及扩展版本WebText2）是来自从Reddit出站的大于4500万个网页的文本，其中相关的帖子会有两个以上的支持率（upvotess）。
由于具有大于4.3亿的月活用户，因此数据集中的内容可以被认为是最「流行」网站的观点。
Books1和Books2是两个基于互联网的书籍数据集。类似的数据集包括：BookCorpus，是由未发表的作者撰写的免费小说书籍的集合，包含了至少10,000本书。Library Genesis (Libgen)，一个非常大的科学论文、小说和非小说类书籍的集合。
Common Crawl是一个包含了超过50亿份网页元数据和提取文本的开源存档开放的数据平台：八年来PB级的数据（数以千计的TB，数以百万计的GB）。25B个网站。数以万亿计的链接。75%英语，3%中文，2.5%西班牙语，2.5%德语等。排名前10域名的内容：Facebook、谷歌、Twitter、Youtube、Instagram、LinkedIn。

文章插图
GPT-3使用的数据集
GPT-Neo和GPT-J
今年3月，Eleuther AI在GitHub上推出了GPT-Neo开源项目，可以在Colab上进行微调。
虽然GPT-Neo与GPT-3比，参数量仍然很小（1.3B和2.7B），但开源又免费，仍然得到了「同性好友们」的认可。
今年6月Eleuther AI再次推出GPT-J-6B，它可以说是GPT-Neo的增强版本，顾名思义，模型的参数量增加到了6B。
GPT-J的训练也是基于The Pile数据库——一个825GB的多样化开源语言建模数据集，由22个较小的、高质量的数据集合组成。
The Pile除了专业论坛和知识库，如HackerNews、Github和Stack Exchange，论文预印本网站ArXiv以外，还包括如Youtube字幕，甚至安然邮件（Enron Emails）语料库。

文章插图
GPT-Neo和GPT-J使用的数据集
在zero-shot任务上，GPT-J性能和67亿参数的GPT-3相当，也是目前公开可用的Transformer语言模型中，在各种下游zero-shot任务上表现最好的。