OpenAI · 2020-05 · Dicht
GPT-3 175B (paper)
GPT-3 175B (paper) ist ein Multi-Head-Attention (MHA)-Transformer, veröffentlicht von OpenAI im 2020-05, mit 96 Schichten, Hidden-Größe 12288 und einem Kontextfenster von 2,048 Tokens.
Referenzarchitektur aus dem Originalpaper; keine offenen Gewichte.
Schichtstapel
Attention ×96 · Schichten 96
Kernfakten
| Labor | OpenAI |
|---|---|
| Veröffentlicht | 2020-05 |
| Parameter | 175 Mrd. |
| Kontext | 2,048 tokens |
| Attention | MHA (96:96) |
| Schichten | 96 |
| Hidden-Dim. | 12,288 |
| Attention-Köpfe | 96 |
| Vokabular | 50,257 |
| Positionscodierung | learned-absolute |
| Normierung | — |
| Aktivierung | gelu |
| Präzision | — |
| Architekturklasse | gpt3-paper |
Architekturüberblick
Attention
Multi-Head-Attention (MHA) — 96 q-heads / 96 kv-heads.
FFN / MoE
Es ist ein dichtes Modell: Alle 175 Mrd. Parameter sind an der Berechnung jedes Tokens beteiligt.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger GPT-2
| Modell | GPT-3 175B (paper) | GPT-2 | Ratio |
|---|---|---|---|
| model_type | gpt3-paper | gpt2 | ≠ |
| architectures | — | GPT2LMHeadModel | |
| hidden_size | 12288 | — | |
| num_attention_heads | 96 | — | |
| max_position_embeddings | 2048 | — | |
| layer_norm_epsilon | — | 0.00001 | |
| vocab_size | 50257 | 50257 | ≈1 |
| _note | GPT-3 未开源权重，本表字段取自 arXiv:2005.14165 Table 2.1 (GPT-3 175B/davinci) | — | |
| source | paper:arXiv:2005.14165 | — | |
| num_layers | 96 | — | |
| n_head_kv | 96 | — | |
| activation | gelu | — | |
| positional_encoding | learned:absolute | — | |
| normalization | LayerNorm(pre+post) | — | |
| residual | post-LN style | — | |
| attention | MHA, alternating local(sp=256)/global per layer (GPT-3 paper §2.1) | — |
Strukturell ähnlichste Modelle
- GPT-2 (OpenAI, 2019-02) 0.744
- Step-3 (StepFun, 2025-07) 0.687
- Step-3.7-Flash (StepFun, 2026-05) 0.613
- Step-3.5-Flash (StepFun, 2026-03) 0.613
- LLaMA 1 7B (Meta, 2023-02) 0.581
- Qwen1.5 7B (Qwen, 2024-02) 0.528
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
14 Felder
| _note | GPT-3 未开源权重，本表字段取自 arXiv:2005.14165 Table 2.1 (GPT-3 175B/davinci) |
|---|---|
| source | paper:arXiv:2005.14165 |
| model_type | gpt3-paper |
| num_layers | 96 |
| hidden_size | 12288 |
| num_attention_heads | 96 |
| n_head_kv | 96 |
| max_position_embeddings | 2048 |
| vocab_size | 50257 |
| activation | gelu |
| positional_encoding | learned:absolute |
| normalization | LayerNorm(pre+post) |
| residual | post-LN style |
| attention | MHA, alternating local(sp=256)/global per layer (GPT-3 paper §2.1) |