FMMformer (2-kernel fast weight + Band20)
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
- University of California Los Angeles (UCLA),University of Utah
- Typ organizace
- Academia,Academia
- Země
- United States of America
- Publikováno
- 5 August 2021
- Autoři
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Text classification
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 40M
- Výcviková data
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA GeForce RTX 3090 Ti
- Používané čipy
- 4
- Příkon
- 3.6 kW
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
- Unreleased
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
- 38
- Benchmark data
- FMMformer (2-kernel fast weight + Band20)
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Odkud to přišlo
FMMformer (2-kernel fast weight + Band20) byl zveřejněn University of California Los Angeles (UCLA),University of Utah, v zemi zaznamenané jako United States of America, během August 2021. Vychází z organizace, která je kategorizována jako academia,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Text classification.
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
Trénování si vyžádalo výpočetní rozpočet přibližně 2.5 × 10¹⁶ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce RTX 3090 Ti. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
FMMformer (2-kernel fast weight + Band20) — běžné otázky
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
FMMformer (2-kernel fast weight + Band20)— kolik má parametrů?
Má počet parametrů 40M. 40M (caption to Table 2). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
FMMformer (2-kernel fast weight + Band20)— Kdo to vytvořil?
Bylo to publikováno společností University of California Los Angeles (UCLA),University of Utah, zakládající se na United States of America, organizace zařazená jako academia,Academia.
FMMformer (2-kernel fast weight + Band20)— Kdy byl vydán?
Bylo to zveřejněno v August 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
FMMformer (2-kernel fast weight + Band20)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Text classification. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
FMMformer (2-kernel fast weight + Band20)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 2.5 × 10¹⁶ FLOP, na hardwaru zaznamenáno jako NVIDIA GeForce RTX 3090 Ti. 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.
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.