AFM-on-device
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Apple
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 29 July 2024
- Autoři
- Andy Narayanan, Aonan Zhang, Bowen Zhang, Chen Chen, Chong Wang, Chung-Cheng Chiu, David Qiu, Deepak Gopinath, Dian Ang Yap, Dong Yin, Feng Nan, Floris Weers, Guoli Yin, Haoshuo Huang, Jianyu Wang, Jiarui Lu, John Peebles, Ke Ye, Mark Lee, Nan Du, Qibin Chen, Quentin Keunebroek, Ruoming Pang, Sam Wiseman, Syd Evans, Tao Lei, Tom Gunter, Vivek Rathod, Xiang Kong, Xianzhi Du, Yanghao Li, Yongqiang W…
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling/generation
- Přístup
- Self-supervised learning
- Číselný formát
- BF16
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 2.7B
- Výcviková data
- 7,588,000,000,000 tokens
- Epochy
- 1
- Velikost dávky
- 18,949,753
Table 1, sum of non-embedding and embedding parameters
Not explicitly mentioned, but I assume the 7.588T tokens do not involve multiple epochs.
Main pretraining uses sequence length of 4096 tokens; 4096 sequences per batch. During the "continued" pre-training stage, sequence length is upped to 8192 while batch size remains 4096. During context lengthening, sequence length is upped to 32768 while "the recipe is similar to that used for continued pre-training" implies same batch size of 4096. Weighting batch sizes by number of tokens seen in each stage: exp((6.3T * ln(4096 * 4096) + 1T * ln(8192 * 4096) + 100B * ln(32768 * 4096))/ 7.4T)…
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 4.5 × 10²³ FLOP
- Jak bylo ustanoveno
- Operation counting
Model was initialized from a pruned version of a 6.4B parameter model trained using the same recipe as AFM-server. Assuming "same recipe" involves training for the full 6.3T tokens, this implies 6 * 6.3T * 6.4B = 2.42e23 FLOP. The pruning masks are learned by training over 188B tokens, which suggests 6 * 188B * 6.4B = 7.22e21 FLOPs. Pretraining is then run over 6.3T tokens; however, labels are a convex combination of true labels and the predicted labels from the unpruned 6.4B model. Since thi…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v5p
- Používané čipy
- 2,048
- Využití hardwaru
- MFU 52.0%
- Příkon
- 2.2 MW
- Cloudový poskytovatel
- Google Cloud
- Datové centrum
- Google us-east (either us-east1 or us-east5)
MFU is stated for AFM-server, assumed similar. If anything, this is likely a lower bound as training is done on a single slice of TPU chips compared to the 8 slices for AFM-server. "AFM-server was trained on 8192 TPUv4 chips provisioned as 8 × 1024 chip slices, where slices are connected together by the data-center network (DCN) [Chowdhery et al., 2022]. Only data-parallelism crosses the slice boundary, other types of state sharding are within-slice only as the within-slice interconnect bandwi…
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Hosted access (no API)
- Tréninkový kód
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Pravděpodobně nad 10²³ FLOP
- Yes
- Proč je to sledováno
- Significant use
- Záznam důvěry
- Confident
Currently in beta access only, but will be integrated into millions or billions of iPhones.
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Apple Intelligence Foundation Language Models
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
AFM-on-device byl zveřejněn Apple, v zemi zaznamenané jako United States of America, během July 2024. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Jak bylo trénováno
Trenovací běh spotřeboval asi 4.5 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v5p. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 7,588,000,000,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: significant use.
Odpovědi
AFM-on-device — běžné otázky
AFM-on-device— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
AFM-on-device— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
AFM-on-device— kolik má parametrů?
Má počet parametrů 2.7B. Table 1, sum of non-embedding and embedding parameters. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
AFM-on-device— Kdo to vytvořil?
Bylo to publikováno společností Apple, zakládající se na United States of America, organizace zařazená jako industry.
AFM-on-device— Kdy byl vydán?
Bylo to zveřejněno v July 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
AFM-on-device— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
AFM-on-device— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 4.5 × 10²³ FLOP, na hardwaru zaznamenáno jako Google TPU v5p. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.