Segatron-XL large, M=384 + HCP
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
- Microsoft Research,University of Waterloo
- Typ organizace
- Industry,Academia
- Země
- United States of America, Canada
- Publikováno
- 21 March 2022
- Autoři
- He Bai, Tong Wang, Alessandro Sordoni, Peng Shi
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
- 257M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 167.02
257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128.
103000000 tokens - size of wikitext 103 Training steps: 350,000 steps Sequence length: 384 tokens Batch size: 128 Tokens per batch = 384 tokens/batch × 128 = 49,152 tokens/batch Total tokens = 49,152 tokens/batch × 350,000 steps = 17.2 billion tokens 17200000000/103000000 = 167 epochs
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
- 2.7 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / token / parameter * 257000000 parameters * 384 tokens/batch × 128 [batch size] * 350000 steps = 2.6527334e+19 FLOP
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 (non-commercial)
code, no license https://github.com/richardbaihe/robustlm
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 17
- Benchmark data
- Segatron-XL large, M=384 + HCP
"Empirically, this curriculum learning strategy consistently improves perplexity over various large, highly-performant state-of-the-art Transformer-based models on two datasets, WikiText-103 and ARXIV"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Better Language Model with Hypernym Class Prediction
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
Segatron-XL large, M=384 + HCP byl zveřejněn Microsoft Research,University of Waterloo, v zemi zaznamenané jako United States of America, během March 2022. Vychází z organizace, která je kategorizována jako industry,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 2.7 × 10¹⁹ FLOP. 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
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
Segatron-XL large, M=384 + HCP — běžné otázky
Segatron-XL large, M=384 + HCP— Kdo to vytvořil?
Bylo to publikováno společností Microsoft Research,University of Waterloo, zakládající se na United States of America, organizace zařazená jako industry,Academia.
Segatron-XL large, M=384 + HCP— Kdy byl vydán?
Bylo to zveřejněno v March 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.7 × 10¹⁹ FLOP. 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.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Segatron-XL large, M=384 + HCP— kolik má parametrů?
Má počet parametrů 257M. 257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
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.