KEPLER
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
- Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal
- Typ organizace
- Academia,Academia,Academia,Research collective,Academia,Academia
- Země
- China, Canada, France, United States of America
- Publikováno
- 23 November 2020
- Autoři
- Xiaozhi Wang, Tianyu Gao, Zhaocheng Zhu, Zhiyuan Liu, Juanzi Li, and Jian Tang.
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Relation extraction
- Přístup
- Self-supervised learning
- Základní model
- RoBERTa Base
- Číselný formát
- FP16
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 125M
- Výcviková data
- 3,533,640,000 tokens
For BookCorpus + English Wikipedia: 800M + 2500M For Wikidata5M: 20614279 See table 1. Contains "entities", "relations", and "triplets"
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
- 1.7 × 10²¹ FLOP
- Jak bylo ustanoveno
- Hardware
From author communication "About 128 GPU-days using Nvidia V100 (16GB). " precision: float16 V100 GPU for float16: 28000000000000 (2.8E+13) 0.4 * 28TFLOP/s * 128 GPU-days * 24h/day * 3600s/h = 1.24E+20 "and use the released roberta.base parameters for initialization, which is a common practice to save pre-training time" Roberta base FLOP: 1.536e+21 Total:1.660000e+21
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 source
MIT License, includes train code https://github.com/THU-KEG/KEPLER
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
- 819
"Experimental results show that KEPLER achieves state-of-the-art performances on various NLP tasks"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- KEPLER: A Unified Model for Knowledge Embedding and Pre- trained Language Representation.
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
KEPLER byl zveřejněn Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, v zemi zaznamenané jako China, během November 2020. Kategorie, do které vydavatel spadá, je academia,Academia,Academia,Research collective,Academia,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol relation extraction.
Staví na RoBERTa Base. To je důvod, proč sdílí obecný tvar a velikost základního modelu.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Co bylo zapotřebí k jeho vybudování
Trénování si vyžádalo výpočetní rozpočet přibližně 1.7 × 10²¹ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 3,533,640,000 tokeny textu
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
KEPLER — běžné otázky
KEPLER— Kdy byl vydán?
Bylo to zveřejněno v November 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
KEPLER— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol relation extraction. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
KEPLER— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.7 × 10²¹ 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.
KEPLER— 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.
KEPLER— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
KEPLER— kolik má parametrů?
Má počet parametrů 125M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
KEPLER— Kdo to vytvořil?
Bylo to publikováno společností Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, zakládající se na China, organizace zařazená jako academia,Academia,Academia,Research collective,Academia,Academia.
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.