arxiv.org GPT3の論文。 いろいろ アーキテクチャ、dense attentionとsparse attentionが交互？Sparse Transformerを読まないといけない scaling lawの元論文、パラメタ数同じぐらいだったら多少のアーキテクチャ（ヘッド数、レイヤー数、チャンネル数など）…