Training & Pre-training
Months of thousands of GPUs predicting the next token, trillions of times.
Vous consultez une fiche concept : ce que ce terme signifie en langage clair, et les fiches qu'il relie.
Pre-training runs a model over trillions of tokens, nudging weights after every prediction error, in synchronized runs across tens of thousands of accelerators — the workload the biggest clusters on this site were built for. A frontier run costs hundreds of millions of dollars in compute, fails in exotic ways (silent data corruption, stragglers, loss spikes), and is why checkpointing, interconnects and reliability engineering are front-page infrastructure topics.
Comment cela s'articule avec le reste de la chaîne
Les liens de cette fiche en un coup d'œil — cliquez sur un groupe pour y accéder directement.
Connexes
Sources
Llama 3 herd paper (training at scale) ↗
Fiche examinée au 2026-01-15 — voir Méthodologie.