在前面文章《LLaMA 系列模型的进化（二）》中提到了Stanford Alpaca模型。
Stanford Alpaca 基于LLaMA (7B) 进行微调，通过使用 Self-Instruct 方法借助大语言模型进行自动化的指令生成，Stanford Alpaca 生成了 52K 条指令遵循样例数据（Alpaca-52K）用于训练。

据说，这个训练成本不到600美元。那这个成本是如何计算的呢？
训练成本：在8个80GB A100 上训练了3个小时，不到100美元；
数据成本：生成数据使用OpenAl的API，500美元。这里就是通过使用 Self-Instruct 方法，使用了OpenAl的接口的调用成本。

在前面文章《英伟达ChipNeMo，一个领域大模型的训练案例》里，介绍了领域大模型的训练过程。如下图：

对应的训练时长为：

使用 128 个 A100 GPU 进行了训练。ChipNeMo 的领域适配预训练成本（包括基于领域数据的继续预训练和SFT），具体见下表，单位是A100 GPU hours
ChipNeMo 的领域适配预训练成本，对比从头开始预训练基础模型的总成本不到 1.5%。

以LLaMa 7B模型的训练来说，总训练时长=2710，按照前面“在8个80GB A100 上训练了3个小时，不到100美元”的成本折算，成本应该小于11300美金
13B模型，总训练时长=5100，成本应该小于21250美金
70B模型，总训练时长=21340，成本应该小于88920美金

至于数据，ChipNeMo 的领域适配预训练需要24B以上的数据，这个可能与相应的数据积累有很大关系，不好计算了。