Transformer-XL + RMT
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
- Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute
- Typ organizace
- Academia,Research collective
- Země
- Russia
- Publikováno
- 14 July 2022
- Autoři
- Aydar Bulatov, Yuri Kuratov, Mikhail S. Burtsev
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.
- parametry
- 247M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 15
"WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)"
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
- 6.8 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Operation counting,Hardware
6 FLOP / parameter / token * 200000 steps * 128 tokens per batch * 60 batches per step * 247000000 parameters= 2.276352e+18 FLOP 312000000000000 FLOP / sec / GPU * 2 GPUs * 30 hours [could be less, upper bound] * 3600 sec / hour * 0.3 [assumed utilization] = 2.02176e+19 FLOP sqrt(2.276352e+18*2.02176e+19) = 6.7839792e+18 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100 SXM4 80 GB
- Používané čipy
- 2
- Doba reálného času
- 30 hours
- Příkon
- 1.6 kW
In most of the WikiText-103 experiments, we used 2 NVIDIA A100 80Gb GPUs, training time varied from 10 to 30 hours depending on sequence length, memory size, and number of BPTT unrolls
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: https://github.com/booydar/LM-RMT
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
- Citace
- 183
- Benchmark data
- Transformer-XL + RMT
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Recurrent Memory Transformer
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Pozadí
Transformer-XL + RMT byl zveřejněn Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, v zemi zaznamenané jako Russia, během July 2022. Vydavatelská organizace je kategorizována jako academia,Research collective.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
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 6.8 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 GB. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 103,000,000 tokeny textu
Odpovědi
Transformer-XL + RMT — běžné otázky
Transformer-XL + RMT— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Transformer-XL + RMT— kolik má parametrů?
Má počet parametrů 247M. "WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Transformer-XL + RMT— Kdo to vytvořil?
Bylo to publikováno společností Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, zakládající se na Russia, organizace zařazená jako academia,Research collective.
Transformer-XL + RMT— Kdy byl vydán?
Bylo to zveřejněno v July 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Transformer-XL + RMT— 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 + RMT— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 6.8 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA A100 SXM4 80 GB. 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 + RMT— 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.
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.