Mesh-TensorFlow Transformer 4.9B (language)
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
- Google Brain
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 5 November 2018
- Autoři
- Noam Shazeer, Youlong Cheng, Niki Parmar, Dustin Tran, Ashish Vaswani, Penporn Koanantakool, Peter Hawkins, Hyoukjoong Mingsheng Lee, Cliff Hong, Ryan Young, Blake Sepassi, Hechtman
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling/generation, Translation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 4.9B
- Výcviková data
- 5,000,000,000 tokens
- Epochy
- 10
4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'
from section 9.1. Experiments done on a "billion word benchmark" and a 5B token wikipedia dataset. At 4/3 tokens per word, 1.3B tokens in the first.
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
- 1.6 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Hardware
flops = (256) * ( 45 * 10**12) * (13 * 3600) * (0.3) = 1.6e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.' from https://en.wikipedia.org/wiki/Tensor_Processing_Unit 45TFLOPs per chips
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v2
- Používané čipy
- 256
- Čip-hodiny
- 3,328
- Doba reálného času
- 13 hours
- Příkon
- 148.1 kW
- Náklady na výpočet
- $935
from section 9.1 "For the billion-word language modeling benchmark, we trained the models for 10 epochs. The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster."
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
code here, apache license: https://github.com/tensorflow/mesh/tree/master/mesh_tensorflow/transformer https://github.com/tensorflow/mesh/blob/master/mesh_tensorflow/transformer/transformer.py
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
- 437
'Using TPU meshes of up to 512 cores, we train Transformer models with up to 5 billion parameters, surpassing state of the art results on WMT'14 English-to-French translation task and the one-billion-word language modeling benchmark.'
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Mesh-TensorFlow: Deep Learning for Supercomputers
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
Mesh-TensorFlow Transformer 4.9B (language) byl zveřejněn Google Brain, v zemi zaznamenané jako United States of America, během November 2018. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling/generation, Translation.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Trénování si vyžádalo výpočetní rozpočet přibližně 1.6 × 10²⁰ FLOP, na hardwaru zaznamenáno jako Google TPU v2. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 5,000,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
Mesh-TensorFlow Transformer 4.9B (language) — běžné otázky
Mesh-TensorFlow Transformer 4.9B (language)— 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.
Mesh-TensorFlow Transformer 4.9B (language)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
Mesh-TensorFlow Transformer 4.9B (language)— kolik má parametrů?
Má počet parametrů 4.9B. 4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Mesh-TensorFlow Transformer 4.9B (language)— Kdo to vytvořil?
Bylo to publikováno společností Google Brain, zakládající se na United States of America, organizace zařazená jako industry.
Mesh-TensorFlow Transformer 4.9B (language)— Kdy byl vydán?
Bylo to zveřejněno v November 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Mesh-TensorFlow Transformer 4.9B (language)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling/generation, Translation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Mesh-TensorFlow Transformer 4.9B (language)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.6 × 10²⁰ FLOP, na hardwaru zaznamenáno jako Google TPU v2. 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.