TaLK Convolution
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- Carleton University
- Typ organizace
- Academia
- Země
- Canada
- Publikováno
- 8 February 2020
- Autoři
- Vasileios Lioutas, Yuhong Guo
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Translation, Text summarization
- Číselný formát
- FP16
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 240M
- Tréninková data
- 103,000,000 tokens
- Epochy
- 182
- Batch size
- 65,536
Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4."
" We replicated their setup and partition the training data into blocks of 512 contiguous tokens" " same setup as in Baevski & Auli (2019)" https://arxiv.org/abs/1809.10853 in that paper they trained for 286k steps in batches of 65,536 tokens. 286000*65536 / 103000000= 182 epochs (same as in as in Baevski & Auli (2019))
same setup as in Baevski & Auli (2019)
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 2.7 × 10¹⁹ FLOP
- Jak bylo založeno
- Operation counting
6 FLOP / parameter / token * 240000000 parameters * 286000 steps * 65536 tokens per batch = 2.6990346e+19 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- NVIDIA GeForce RTX 2080 Ti 11GB
- Použité čipy
- 8
- Příkon
- 4.1 kW
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
MIT, code and weights (though this repo is for translation not WT-103): https://github.com/lioutasb/TaLKConvolutions?tab=readme-ov-file
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Likely
- Citace
- 30
- Benchmarková data
- TaLK Convolution
"[We] set a new state-of-the-art result on the IWSLT De-En and CNN-DailyMail datasets"
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Time-aware Large Kernel Convolutions
- Naposledy aktualizováno
- 28 November 2025
Co čísla znamenají
O tomto modelu
TaLK Convolution was published by Carleton University, in Canada, in February 2020. The organisation is categorised as academia.
It works in Language, and is recorded as doing language modeling, Translation, Text summarization.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Jak byla trénována
The training run consumed about 2.7 × 10¹⁹ FLOP, on NVIDIA GeForce RTX 2080 Ti 11GB. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 103,000,000 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Odpovědi
TaLK Convolution — Časté dotazy
How much compute was used to train TaLK Convolution?
Around 2.7 × 10¹⁹ FLOP, on NVIDIA GeForce RTX 2080 Ti 11GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run TaLK Convolution?
None. TaLK Convolution is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is TaLK Convolution open source?
No. TaLK Convolution has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does TaLK Convolution have?
TaLK Convolution has 240M parameters. Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4.". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created TaLK Convolution?
TaLK Convolution was published by Carleton University, based in Canada, categorised as academia.
When was TaLK Convolution released?
TaLK Convolution was published in February 2020. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is TaLK Convolution used for?
TaLK Convolution works in Language, and is recorded as handling language modeling, Translation, Text summarization. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.