| A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z | AA | AB | AC | AD | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | Llama | DeepSeek | ||||||||||||||||||||||||||||
2 | ||||||||||||||||||||||||||||||
3 | Batchsize | 2048 | Batchsize | 15360 | ||||||||||||||||||||||||||
4 | Seqlen | 8192 | Flops/Token | 2.536564064 | Seqlen | 4096 | Flops/Token | 0.2662347571 | ||||||||||||||||||||||
5 | Numlayers | 126 | Numlayers | 61 | ||||||||||||||||||||||||||
6 | Hiddensize | 16384 | Hiddensize | 7168 | w/ All Experts Active | 4.32920671 | ||||||||||||||||||||||||
7 | Querygroups | 8 | Kvlora | 512 | ||||||||||||||||||||||||||
8 | Numheads | 128 | Qlora | 1536 | BF16 only | 0.04789685453 | ||||||||||||||||||||||||
9 | FFN | 53248 | Numheads | 128 | ||||||||||||||||||||||||||
10 | Vocabsize | 128256 | Parameters (B) | 405.8492436 | Headdim | 128 | Parameters (B) | 715.4077404 | ||||||||||||||||||||||
11 | TP | 8 | Ropedim | 64 | ||||||||||||||||||||||||||
12 | PP | 16 | Moedim | 2048 | ||||||||||||||||||||||||||
13 | FSDP | 128 | Nexperts | 256 | ||||||||||||||||||||||||||
14 | BF16 One-way TP / Batch (TB) | 484.8846278 | Nrouted | 8 | FP8 One-way ZeRO to EP to 7 devices with Uniform Dist / Batch (TB) | 195.7216597 | ||||||||||||||||||||||||
15 | Nshared | 1 | ||||||||||||||||||||||||||||
16 | BF16 One-way PP / Batch (TB) | 8246.337208 | Vocabsize | 129280 | FP8 One-way PP / Batch (TB) | 6.764573491 | ||||||||||||||||||||||||
17 | Nstages | 16 | ||||||||||||||||||||||||||||
18 | FP32 Gradient Reduce Scatter | 1.610714186 | ZeRO | 256 | FP32 Gradient Inter-node Reduce Scatter / Batch (TB) | 2.160574808 | ||||||||||||||||||||||||
19 | EP | 64 | ||||||||||||||||||||||||||||
20 | Est. expert flops | 1.059E+15 | ||||||||||||||||||||||||||||
21 | Intra-node interconnect | 1.60E+11 | ||||||||||||||||||||||||||||
22 | Inter-node interconnect | 5.00E+10 | Local Expert One-way Comp Time / Batch | 2.555079695 | ||||||||||||||||||||||||||
23 | No grad acc local batch size | 60 | FP8 Same-node Expert Comm Time / Batch | 9.63 | ||||||||||||||||||||||||||
24 | FP8 Two diff nodes Expert Comm Time / Batch | 17.62 | ||||||||||||||||||||||||||||
25 | ||||||||||||||||||||||||||||||
26 | ||||||||||||||||||||||||||||||
27 | ||||||||||||||||||||||||||||||
28 | ||||||||||||||||||||||||||||||
29 | ||||||||||||||||||||||||||||||
30 | ||||||||||||||||||||||||||||||
31 | ||||||||||||||||||||||||||||||
32 | ||||||||||||||||||||||||||||||
33 | ||||||||||||||||||||||||||||||
34 | ||||||||||||||||||||||||||||||
35 | ||||||||||||||||||||||||||||||
36 | ||||||||||||||||||||||||||||||
37 | ||||||||||||||||||||||||||||||
38 | ||||||||||||||||||||||||||||||
39 | ||||||||||||||||||||||||||||||
40 | ||||||||||||||||||||||||||||||
41 | ||||||||||||||||||||||||||||||
42 | ||||||||||||||||||||||||||||||
43 | ||||||||||||||||||||||||||||||
44 | ||||||||||||||||||||||||||||||
45 | ||||||||||||||||||||||||||||||
46 | ||||||||||||||||||||||||||||||
47 | ||||||||||||||||||||||||||||||
48 | ||||||||||||||||||||||||||||||
49 | ||||||||||||||||||||||||||||||
50 | ||||||||||||||||||||||||||||||
51 | ||||||||||||||||||||||||||||||
52 | ||||||||||||||||||||||||||||||
53 | ||||||||||||||||||||||||||||||
54 | ||||||||||||||||||||||||||||||
55 | ||||||||||||||||||||||||||||||
56 | ||||||||||||||||||||||||||||||
57 | ||||||||||||||||||||||||||||||
58 | ||||||||||||||||||||||||||||||
59 | ||||||||||||||||||||||||||||||
60 | ||||||||||||||||||||||||||||||
61 | ||||||||||||||||||||||||||||||
62 | ||||||||||||||||||||||||||||||
63 | ||||||||||||||||||||||||||||||
64 | ||||||||||||||||||||||||||||||
65 | ||||||||||||||||||||||||||||||
66 | ||||||||||||||||||||||||||||||
67 | ||||||||||||||||||||||||||||||
68 | ||||||||||||||||||||||||||||||
69 | ||||||||||||||||||||||||||||||
70 | ||||||||||||||||||||||||||||||
71 | ||||||||||||||||||||||||||||||
72 | ||||||||||||||||||||||||||||||
73 | ||||||||||||||||||||||||||||||
74 | ||||||||||||||||||||||||||||||
75 | ||||||||||||||||||||||||||||||
76 | ||||||||||||||||||||||||||||||
77 | ||||||||||||||||||||||||||||||
78 | ||||||||||||||||||||||||||||||
79 | ||||||||||||||||||||||||||||||
80 | ||||||||||||||||||||||||||||||
81 | ||||||||||||||||||||||||||||||
82 | ||||||||||||||||||||||||||||||
83 | ||||||||||||||||||||||||||||||
84 | ||||||||||||||||||||||||||||||
85 | ||||||||||||||||||||||||||||||
86 | ||||||||||||||||||||||||||||||
87 | ||||||||||||||||||||||||||||||
88 | ||||||||||||||||||||||||||||||
89 | ||||||||||||||||||||||||||||||
90 | ||||||||||||||||||||||||||||||
91 | ||||||||||||||||||||||||||||||
92 | ||||||||||||||||||||||||||||||
93 | ||||||||||||||||||||||||||||||
94 | ||||||||||||||||||||||||||||||
95 | ||||||||||||||||||||||||||||||
96 | ||||||||||||||||||||||||||||||
97 | ||||||||||||||||||||||||||||||
98 | ||||||||||||||||||||||||||||||
99 | ||||||||||||||||||||||||||||||
100 |