RQ-Transformer (1.4B params ImageNet dataset)
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
- Kakao,POSTECH
- Typ organizace
- Industry,Academia
- Země
- Korea (Republic of)
- Publikováno
- 3 March 2022
- Autoři
- Doyup Lee, Chiheon Kim, Saehoon Kim, Minsu Cho, Wook-Shin Han
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision, Image generation
- Úkol
- Text-to-image
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1.4B
- Výcviková data
- 327,680,000 tokens
- Epochy
- 50
1388M from Table 5 - ImageNet rows
size of ImageNet
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
- 1.1 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. " Quote probably involves a typo – I expect 8 A100s were used for 4.5 days to train the 3.8B model. 1.4B model probably used 4 GPUs. Best guess: (4) * (3.12e14) * (78.4 * 3600) * (0.3) = 1.057e20 (num gpu) * (peak flops) * (time in seconds…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Používané čipy
- 8
- Čip-hodiny
- 864
- Doba reálného času
- 78 hours
- Příkon
- 6.4 kW
4.5 days for ImageNet for 1.4B model, but I expect this was a typo; probably the details are for the largest model. This also suggests training the 1.4B model used 4 rather than 8 GPUs, so would have taken ~ twice as long. Based on this, I use 4.5 days * (1.388B / 3.822B) * 2 = 78.4 hours "We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNe…
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
- Citace
- 763
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Autoregressive Image Generation using Residual Quantization
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
RQ-Transformer (1.4B params ImageNet dataset) byl zveřejněn Kakao,POSTECH, v zemi zaznamenané jako Korea (Republic of), během March 2022. Kategorie, do které vydavatel spadá, je industry,Academia.
funguje v oblasti Vision, Image generation, a je zaznamenán jako vykonávající úkol text-to-image.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1.1 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 327,680,000 tokeny textu
Odpovědi
RQ-Transformer (1.4B params ImageNet dataset) — běžné otázky
RQ-Transformer (1.4B params ImageNet dataset)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.1 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. 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.
RQ-Transformer (1.4B params ImageNet dataset)— 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.
RQ-Transformer (1.4B params ImageNet dataset)— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
RQ-Transformer (1.4B params ImageNet dataset)— kolik má parametrů?
Má počet parametrů 1.4B. 1388M from Table 5 - ImageNet rows. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
RQ-Transformer (1.4B params ImageNet dataset)— Kdo to vytvořil?
Bylo to publikováno společností Kakao,POSTECH, zakládající se na Korea (Republic of), organizace zařazená jako industry,Academia.
RQ-Transformer (1.4B params ImageNet dataset)— 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.
RQ-Transformer (1.4B params ImageNet dataset)— K čemu se to používá?
funguje v oblasti Vision, Image generation, a je zaznamenáno jako zpracovávající úkol text-to-image. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
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.