4 layer QRNN (h=2500)
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
- Salesforce Research
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 22 March 2018
- Autoři
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 151M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 14
Table 6
"The model was trained for 12 hours (14 epochs)"
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
- 5.9 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Hardware,Operation counting
20670000000000 FLOP / sec / GPU [fp16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.678832e+17FLOP 6 FLOP / token / parameter * 151000000 parameters * 103000000 tokens * 14 epochs = 1.306452e+18 FLOP sqrt(2.678832e+17*1.306452e+18) = 5.9158815e+17 FLOP __________________ in the algorithmic progress paper the estimation was 2.4 × 10^17 FLOP under assumption of 26M parameters
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Quadro GP100
- Používané čipy
- 1
- Čip-hodiny
- 12
- Doba reálného času
- 12 hours
- Příkon
- 268 W
"Results are obtained in only 12 hours (WikiText-103) to 2 days (enwik8) using a single modern GPU"
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
BSD-3 license: https://github.com/salesforce/awd-lstm-lm
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
- Likely
- Citace
- 183
- Benchmark data
- 4 layer QRNN (h=2500)
"QRNNs achieve stateof-the-art results on character-level (Penn Treebank, enwik8) and word-level (WikiText-103) datasets, respectively"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- An Analysis of Neural Language Modeling at Multiple Scales
- Nap poslední aktualizace
- 11 February 2026
Co čísla znamenají
Co je tento MODEL
4 layer QRNN (h=2500) byl zveřejněn Salesforce Research, v zemi zaznamenané jako United States of America, během March 2018. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 5.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Quadro GP100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: sOTA improvement.
Odpovědi
4 layer QRNN (h=2500) — běžné otázky
4 layer QRNN (h=2500)— 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.
4 layer QRNN (h=2500)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 5.9 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Quadro GP100. 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.
4 layer QRNN (h=2500)— 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.
4 layer QRNN (h=2500)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
4 layer QRNN (h=2500)— kolik má parametrů?
Má počet parametrů 151M. Table 6. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
4 layer QRNN (h=2500)— Kdo to vytvořil?
Bylo to publikováno společností Salesforce Research, zakládající se na United States of America, organizace zařazená jako industry.
4 layer QRNN (h=2500)— Kdy byl vydán?
Bylo to zveřejněno v March 2018. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
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.