OpenAI · 2020-05 · Dense
GPT-3 175B (paper)
GPT-3 175B (paper) est un Transformer à attention multi-tête (MHA) publié par OpenAI en 2020-05, avec 96 couches, une dimension cachée de 12288 et une fenêtre de contexte de 2,048 tokens.
Architecture de référence tirée de l'article original ; aucun poids public.
Pile de couches
Attention ×96 · Couches 96
Faits clés
| Laboratoire | OpenAI |
|---|---|
| Publication | 2020-05 |
| Paramètres | 175 Md |
| Contexte | 2,048 tokens |
| Attention | MHA (96:96) |
| Couches | 96 |
| Dimension cachée | 12,288 |
| Têtes d'attention | 96 |
| Vocabulaire | 50,257 |
| Encodage positionnel | learned-absolute |
| Normalisation | — |
| Activation | gelu |
| Précision | — |
| Classe d'architecture | gpt3-paper |
Vue d'ensemble de l'architecture
Attention
attention multi-tête (MHA) — 96 q-heads / 96 kv-heads.
FFN / MoE
C’est un modèle dense : la totalité des 175Md de paramètres participe au calcul de chaque token.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le prédécesseur GPT-2
| Modèle | 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) | — |
Architectures les plus proches
- 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
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
14 champs
| _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) |