Transformer-XL + PowerSGD + L-Greco
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
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Typ organizace
- Academia,Industry
- Země
- Austria, United States of America
- Publikováno
- 31 October 2022
- Autoři
- Mohammadreza Alimohammadi, Ilia Markov, Elias Frantar, Dan Alistarh
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 103,000,000 tokens
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
- 1.3 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Hardware
35580000000000 FLOP / sec [fp16 precision assumed] * 15400 sec [see training time notes] * 8 GPUs * 0.3 [assumed utilization] = 1.3150368e+18 FLOP _______ They used similar estimation (4.14 × 10^17 FLOP) in the Algorithmic Progress paper - not sure how exactly it was calculated
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
- Doba reálného času
- 4 hours
- Příkon
- 5.6 kW
40k steps [table 7] * 0.385 sec/step [figure 3] = 15400 sec = 4.28 hours
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
- Open source
Apache 2. looks like just code: https://github.com/LGrCo/L-GreCo/tree/master/Transformer-XL
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 4
- Benchmark data
- Transformer-XL + PowerSGD + L-Greco
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- L-GreCo: An Efficient and General Framework for Layerwise-Adaptive Gradient Compression
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
Transformer-XL + PowerSGD + L-Greco byl zveřejněn Institute of Science and Technology Austria (ISTA),Neural Magic, v zemi zaznamenané jako Austria, během October 2022. Vychází z organizace, která je kategorizována jako academia,Industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Trenovací běh spotřeboval asi 1.3 × 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.
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Odpovědi
Transformer-XL + PowerSGD + L-Greco — běžné otázky
Transformer-XL + PowerSGD + L-Greco— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
Transformer-XL + PowerSGD + L-Greco— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.3 × 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-XL + PowerSGD + L-Greco— 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-XL + PowerSGD + L-Greco— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Transformer-XL + PowerSGD + L-Greco— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
Transformer-XL + PowerSGD + L-Greco— Kdo to vytvořil?
Bylo to publikováno společností Institute of Science and Technology Austria (ISTA),Neural Magic, zakládající se na Austria, organizace zařazená jako academia,Industry.
Transformer-XL + PowerSGD + L-Greco— Kdy byl vydán?
Bylo to zveřejněno v October 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.