AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
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
- Carnegie Mellon University (CMU)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 10 November 2017
- Autoři
- Zhilin Yang, Zihang Dai, Ruslan Salakhutdinov, William W. Cohen
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 35M
- Výcviková data
- 2,000,000 tokens
- Epochy
- 8,000
35M (Table 2)
max sequence length from https://github.com/zihangdai/mos/blob/master/main.py is 110 tokens batch size 15 (table 8) epochs: 8000 (from https://github.com/zihangdai/mos/blob/master/main.py)
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
- 3.4 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Operation counting
6 FLOP / parameter / token * 35000000 parameters * 2000000 tokens * 8000 epochs = 3.36e+18 FLOP _____________ in the algorithmic progress paper the estimation was 4.37 × 10^17 FLOP based on 1000 epochs assumption
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 code: https://github.com/zihangdai/mos
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
- 416
- Benchmark data
- AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
"Experimental results confirm that the proposed method significantly improves state-of-the-art language models, achieving a perplexity of 55.31 and 62.89 on the test set of Penn Treebank and WikiText-2"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Breaking the Softmax Bottleneck: A High-Rank RNN Language Model
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Co je tento MODEL
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) byl zveřejněn Carnegie Mellon University (CMU), v zemi zaznamenané jako United States of America, během November 2017. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 3.4 × 10¹⁸ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 2,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) — běžné otázky
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.4 × 10¹⁸ 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— kolik má parametrů?
Má počet parametrů 35M. 35M (Table 2). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— Kdo to vytvořil?
Bylo to publikováno společností Carnegie Mellon University (CMU), zakládající se na United States of America, organizace zařazená jako academia.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— Kdy byl vydán?
Bylo to zveřejněno v November 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
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.