DiffQ Transformer (16L)
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
- Meta AI
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 20 April 2021
- Autoři
- Alexandre Défossez, Yossi Adi, Gabriel Synnaeve
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Přístup
- Self-supervised learning
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
They base their architecture off of "Transformer (Adaptive Input Embeddings) WT103", a 16 layer transformer with 16 heads per MHA layer, d_model=1024 and d_ff=4096.
WikiText-103, which has 103M training tokens
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
- 3 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Operation counting
The authors say they train their base model following Baevski & Auli (2019). That paper trained for 286k steps in batches of 65,536 tokens. This suggests training the base model took 6 * 247M * 286k * 65536 = 2.778E19 FLOPs. However, DiffQ introduces some additional computational overhead during training: "Using DiffQ usually increase the training time by some amount. On the language modeling task, the time per batch went from 115ms to 125ms." This suggests 125/115 - 1 = 8.7% overhead, relati…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100
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)
training code (non-commercial): https://github.com/facebookresearch/diffq/blob/main/examples/FAIRSEQ_README.md
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 63
- Benchmark data
- DiffQ Transformer (16L)
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Differentiable Model Compression via Pseudo Quantization Noise
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Pozadí
DiffQ Transformer (16L) byl zveřejněn Meta AI, v zemi zaznamenané jako United States of America, během April 2021. Kategorie, do které vydavatel spadá, je industry.
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.
Co bylo zapotřebí k jeho vybudování
Trenovací běh spotřeboval asi 3 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. 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
DiffQ Transformer (16L) — běžné otázky
DiffQ Transformer (16L)— kolik má parametrů?
Má počet parametrů 247M. They base their architecture off of "Transformer (Adaptive Input Embeddings) WT103", a 16 layer transformer with 16 heads per MHA layer, d_model=1024 and d_ff=4096. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
DiffQ Transformer (16L)— Kdo to vytvořil?
Bylo to publikováno společností Meta AI, zakládající se na United States of America, organizace zařazená jako industry.
DiffQ Transformer (16L)— Kdy byl vydán?
Bylo to zveřejněno v April 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
DiffQ Transformer (16L)— 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.
DiffQ Transformer (16L)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. 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.
DiffQ Transformer (16L)— 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.
DiffQ Transformer (16L)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
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.