Transformer + GFM
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
- Nanjing University
- Typ organizace
- Academia
- Země
- China
- Publikováno
- 1 December 2022
- Autoři
- Hao Yu, Jianxin Wu
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Základní model
- FAIRSEQ Adaptive Inputs
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 185.2M
- Výcviková data
- 103,000,000 tokens
185.2M (Table 4) "We implemented our methods based on fairseq (Ott et al. 2019). The original transformer model follows the architectural choice described in Baevski and Auli (2018), which includes 16 decoder blocks and sinusoidal position embeddings in the input layer. Each MHSA module has 8 heads and adaptive input representations have three bands of size 20K, 40K and 200K. The embedding layer and FFN’s hidden-state have dimensions of 1024 and 4096, respectively. We sampled 4K sentences to fo…
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
- 7.7 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Operation counting,Hardware
- Ladění výpočtů
- 4.4 × 10¹⁷ FLOP
7.30e18 FLOP [base transformer] + 4.3694162e+17 FLOP [GFM] = 7.7369416e+18 FLOP _______________ Estimations from the Algorithmic progress paper (upd - a100 gpu were assumed while the paper reports 3090 gpus): SOURCE: Compression of Baevski et al. transformer, impute During the GFM process, we removed layer dropout and trained on 8 GPUs. We limited the number of tokens per GPU to a maximum threshold 1536, which means each GPU processes 1536 tokens using the same model parameters. We accumulat…
6 FLOP/token/parameter * 185000000 parameters * 103000000 tokens = 1.1433e+17 FLOP or 0.6 hours - reported training time for another model in the paper, I assumed, this training was similar in time length 0.6 hours * 3600 sec / hour * 8 GPUs * 35580000000000 FLOP/s [assumed precision fp16] * 0.3 [assumed utilization] = 1.8444672e+17 FLOP or "During the GFM process, we removed layer dropout and trained on 8 GPUs. We limited the number of tokens per GPU to a maximum threshold 1536, which me…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce RTX 3090
- Používané čipy
- 8
- Čip-hodiny
- 1
- Příkon
- 5.6 kW
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
- Unreleased
- Tréninkový kód
- Unreleased
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Benchmark data
- Transformer + GFM
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- "Compressing Transformers: Features Are Low-Rank, but Weights Are Not"
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
Transformer + GFM byl zveřejněn Nanjing University, v zemi zaznamenané jako China, během December 2022. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Místo toho, aby byl trénován od nuly, je odvozen z FAIRSEQ Adaptive Inputs. To je důvod, proč sdílí obecný tvar a velikost základního modelu.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 7.7 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce RTX 3090. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 103,000,000 tokeny textu
Odpovědi
Transformer + GFM — běžné otázky
Transformer + GFM— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Transformer + GFM— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 7.7 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce RTX 3090. 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.
Transformer + GFM— 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.
Transformer + GFM— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Transformer + GFM— kolik má parametrů?
Má počet parametrů 185.2M. 185.2M (Table 4) "We implemented our methods based on fairseq (Ott et al. 2019). The original transformer model follows the architectural choice described in Baevski and Auli (2018), which includes 16 decoder blocks and sinusoidal position embeddings in the input layer. Each MHSA module has 8 heads and adaptive input representations have three bands of size 20K, 40K and 200K. The embedding layer and FFN’s hidden-state have dimensions of 1024 and 4096, respectively. We sampled 4K sentences to form the proxy dataset D. Then, we reduced the parameters by 15%, 20% and 25%.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Transformer + GFM— Kdo to vytvořil?
Bylo to publikováno společností Nanjing University, zakládající se na China, organizace zařazená jako academia.
Transformer + GFM— Kdy byl vydán?
Bylo to zveřejněno v December 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.