CoCa
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- Google Research
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 14 June 2022
- Autoři
- Jiahui Yu, Zirui Wang, Vijay Vasudevan, Legg Yeung, Mojtaba Seyedhosseini, Yonghui Wu
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification, Visual question answering, Image captioning
- Přístup
- Self-supervised learning
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 2.1B
- Tréninková data
- 1,351,680,000,000 tokens
- Epochy
- 6.88
"Our largest CoCa model ("CoCa" in short) follows the ViT-giant setup in [21] with 1B-parameters in the image encoder and 2.1B-parameters altogether with the text decoder"
JFT is 3 billion captioned images, ALIGN is 1.8 billion captioned images "we use a batch size of 65,536 image-text pairs, where half of each batch comes from JFT and ALIGN, respectively. All models are trained on the combined contrastive and captioning objectives in Eq.(4) for 500k steps, roughly corresponding to 5 epochs on JFT and 10 epochs on ALIGN." (5*3b+10*1.8b)/4.8b=6.875 epochs on average
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 7.3 × 10²² FLOP
- Jak bylo založeno
- Hardware
"Pretraining CoCa takes about 5 days on 2,048 CloudTPUv4 chips" 275 teraFLOP/s * 2048 * 5 * 24 * 3600 * 0.3 (assumed utilization) = 7.3e22
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- Google TPU v4
- Použité čipy
- 2,048
- Wall-clock time
- 120 hours
- Příkon
- 1.4 MW
- Compute cost
- $78,043
5 days
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 1,719
"Notably on ImageNet classification, CoCa obtains 86.3% zero-shot top-1 accuracy, 90.6% with a frozen encoder and learned classification head, and new state-of-the-art 91.0% top-1 accuracy on ImageNet with a finetuned encoder."
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- CoCa: Contrastive Captioners are Image-Text Foundation Models
- Naposledy aktualizováno
- 25 May 2026
Co čísla znamenají
Pozadí
CoCa was published by Google Research, in United States of America, in June 2022. It comes out of industry.
It works in Vision, and is recorded as doing image classification, Visual question answering, Image captioning.
Toto je uzavřený model: vyškolené hodnoty zůstaly u toho, kdo je vyprodukoval, a není zde žádná lokální verze k provozování.
Training and provenance
Training it took roughly 7.3 × 10²² FLOP of computation, on Google TPU v4 — a measure of what producing the model cost, not of how fast it answers.
Around 1,351,680,000,000 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Odpovědi
CoCa — Časté dotazy
How much compute was used to train CoCa?
Around 7.3 × 10²² FLOP, on Google TPU v4. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run CoCa?
None. CoCa is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is CoCa open source?
No. CoCa has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does CoCa have?
CoCa has 2.1B parameters. "Our largest CoCa model ("CoCa" in short) follows the ViT-giant setup in [21] with 1B-parameters in the image encoder and 2.1B-parameters altogether with the text decoder". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created CoCa?
CoCa was published by Google Research, based in United States of America, categorised as industry.
When was CoCa released?
CoCa was published in June 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is CoCa used for?
CoCa works in Vision, and is recorded as handling image classification, Visual question answering, Image captioning. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.