QT-Opt
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,University of California (UC) Berkeley
- Typ organizace
- Industry,Academia
- Země
- United States of America
- Publikováno
- 27 June 2018
- Autoři
- Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Robotics, Vision
- Úkol
- Robotic manipulation
- Přístup
- Reinforcement learning
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 1.2M
- Výcviková data
- 11,600,000 tokens
- Epochy
- 80
"The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters"
Observations take up 4TB of disk space, and the input space is a 472x472 RGB image. Assuming 24 bit depth color (8 bits per channel), that suggests 472 * 472 * 3 * 8 bits = 668.352 kB per image (this could be off by a factor of 2 depending on actual bit depth) 4 TB / 668.352 kB = 5,984,870 images; around 10 per grasp attempt. 15M gradient steps with batchsize 32 implies: 15M steps * 32 images/step * 1/5984870 images ~= each image seen 80 times
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
- 1.4 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Hardware
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 9.30E+12 FLOP/sec/GPU * 0.4 utilization * 10 GPU = 1.395E+19
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA P100
- Doba reálného času
- 104 hours
- Náklady na výpočet
- $1,318
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 1/3600 hours/second = 104.2 hours
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
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
- Citace
- 1,692
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
QT-Opt byl zveřejněn Google Brain,University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během June 2018. Vydavatelská organizace je kategorizována jako industry,Academia.
funguje v oblasti Robotics, Vision, a je zaznamenán jako vykonávající úkol robotic manipulation.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Trenovací běh spotřeboval asi 1.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA P100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 11,600,000 tokeny textu
Odpovědi
QT-Opt — běžné otázky
QT-Opt— kolik má parametrů?
Má počet parametrů 1.2M. "The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
QT-Opt— Kdo to vytvořil?
Bylo to publikováno společností Google Brain,University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako industry,Academia.
QT-Opt— Kdy byl vydán?
Bylo to zveřejněno v June 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
QT-Opt— K čemu se to používá?
funguje v oblasti Robotics, Vision, a je zaznamenáno jako zpracovávající úkol robotic manipulation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
QT-Opt— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA P100. 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.
QT-Opt— 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.
QT-Opt— 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.