6ND 是上限还是典型值？

6ND 是前向+反向的理论下界(理想乘加计数)，实际含激活重算、通信与低效会更高；规划时乘以 1.5~3 倍余量更稳妥。

参数量和训练数据哪个更耗算力？

二者线性相乘，等比例增。但现代训练常'数据受限'，即数据量不足以让参数充分训练，此时加数据比加参数更划算(直到 Chinchilla 最优点)。

🧮 Training Compute Estimator

Estimate total training FLOPs from parameter count and training tokens using Kaplan-style scaling laws, for compute planning.

📐 计算公式 / 原理

训练 FLOPs ≈ 6·N·D（N 为参数量，D 为训练 token 数）；训练月数 ≈ 6ND / (卡数 × 单卡算力 × 3600 × 24 × 30)

Transformer 训练的经验法则：前向 2N、反向约 4N，合计每 token 约 6N FLOPs，即 Chinchilla 系列缩放律推导的基础。再除以集群有效算力（须乘 MFU，实际常 30%–50%）得到训练周期。

参数量(亿)

训练 tokens(亿)

GPU 数

7B 模型算力

N=7×10⁹, D=1×10¹² → FLOPs≈6×7e9×1e12=4.2×10²²。按 1e15 FLOPs/s(约 1 PFLOPS 有效)需≈4.2e7 秒≈487 天单卡；实际靠千卡集群并行缩短。

6ND 是上限还是典型值？: 6ND 是前向+反向的理论下界(理想乘加计数)，实际含激活重算、通信与低效会更高；规划时乘以 1.5~3 倍余量更稳妥。
参数量和训练数据哪个更耗算力？: 二者线性相乘，等比例增。但现代训练常'数据受限'，即数据量不足以让参数充分训练，此时加数据比加参数更划算(直到 Chinchilla 最优点)。

Item	Formula / Note	Source / Standard
Scaling law	training compute approximates six times parameters times training tokens	Kaplan et al. 2020 scaling laws
Coefficient origin	the factor six counts two forward and four backward multiply-adds per parameter per token	Kaplan et al. 2020 scaling laws
Capacity planning	total compute divided by measured accelerator throughput gives the required device hours	MLPerf training benchmark rules