Bilanz der Quelle: GLaM, ein neuer Sprachmodell-Algorithmus, hat die effiziente Skalierung von Sprachmodellen mit Mixture-of-Experts (MoE) erreicht. Es verfügt über 64 Experten pro MoE-Layer und nutzt nur 8% der Parameter für jeden Token, was das Modell auf 1,2 Billionen Parameter und 96,6 Billionen Aktivierungen ermöglicht. GLaM übertrifft GPT-3 auf 29 NLP-Benchmarken bei nur einem Drittel des Trainings-Energieverbrauchs.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
