Training & Pre-training
Months of thousands of GPUs predicting the next token, trillions of times.
Перед вами запись-пояснение к понятию: что этот термин означает простыми словами и какие записи он объединяет.
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.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Связанные
Источники
Llama 3 herd paper (training at scale) ↗
Запись актуальна на 2026-01-15 — смотреть Методология.