SRU++ Large only 2 attention layers (k=5) (WT103)
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
- ASAPP
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 24 February 2021
- Autoři
- Tao Lei
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
- 225M
- Výcviková data
- tokens
- Epochy
- 34.08
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
- 3.6 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+19
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100
- Používané čipy
- 8
- Doba reálného času
- 33 hours
- Příkon
- 4.9 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
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/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
- 54
- Benchmark data
- SRU++ Large only 2 attention layers (k=5)
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Pozadí
SRU++ Large only 2 attention layers (k=5) (WT103) byl zveřejněn ASAPP, v zemi zaznamenané jako United States of America, během February 2021. Vychází z organizace, která je kategorizována jako 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
Trénování si vyžádalo výpočetní rozpočet přibližně 3.6 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
SRU++ Large only 2 attention layers (k=5) (WT103) — běžné otázky
SRU++ Large only 2 attention layers (k=5) (WT103)— kolik má parametrů?
Má počet parametrů 225M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
SRU++ Large only 2 attention layers (k=5) (WT103)— Kdo to vytvořil?
Bylo to publikováno společností ASAPP, zakládající se na United States of America, organizace zařazená jako industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— Kdy byl vydán?
Bylo to zveřejněno v February 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
SRU++ Large only 2 attention layers (k=5) (WT103)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
SRU++ Large only 2 attention layers (k=5) (WT103)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.6 × 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.