JFT
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
- Google Research,Carnegie Mellon University (CMU)
- Typ organizace
- Industry,Academia
- Země
- United States of America
- Publikováno
- 10 July 2017
- Authors
- Chen Sun, Abhinav Shrivastava, Saurabh Singh, Abhinav Gupta
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Vision
- Úkol
- Image classification, Object detection, Semantic segmentation, Pose estimation
- Numerical format
- FP32
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
- 44.7M
- Tréninková data
- 5,487,300,000,000 tokens
- Epochy
- 4
- Batch size
- 32
Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/
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
- 8.4 × 10²⁰ FLOP
- Jak bylo založeno
- Hardware
Tesla K80 performance: 8.13 TFLOP/s Assume 40% utilization 60 days * 50 GPUs * 40% utilization * 8.13 TFLOP/s/GPU = 8.43*10^20 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- NVIDIA Tesla K80
- Použité čipy
- 50
- Chip-hours
- 72,000
- Wall-clock time
- 1,440 hours (60 days)
- Příkon
- 31.3 kW
- Compute cost
- $17,911
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Frontier model
- Yes
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Confident
- Citations
- 2,712
SOTA on COCO and PASCAL VOC
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Revisiting Unreasonable Effectiveness of Data in Deep Learning Era.
- Naposledy aktualizováno
- 25 May 2026
Co čísla znamenají
Where it came from
JFT was published by Google Research,Carnegie Mellon University (CMU), in United States of America, in July 2017. The organisation is categorised as industry,Academia.
It works in Vision, and is recorded as doing image classification, Object detection, Semantic segmentation, Pose estimation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Jak byla trénována
The training run consumed about 8.4 × 10²⁰ FLOP, on NVIDIA Tesla K80. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 5,487,300,000,000 tokens of text.
Its inclusion criterion is sOTA improvement.
Odpovědi
JFT — Časté dotazy
How many parameters does JFT have?
JFT has 44.7M parameters. Uses ResNet-101 architecture, which has 44,654,504 parameters: https://resources.wolframcloud.com/NeuralNetRepository/resources/ResNet-101-Trained-on-ImageNet-Competition-Data/. 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 JFT?
JFT was published by Google Research,Carnegie Mellon University (CMU), based in United States of America, categorised as industry,Academia.
When was JFT released?
JFT was published in July 2017. 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 JFT used for?
JFT works in Vision, and is recorded as handling image classification, Object detection, Semantic segmentation, Pose estimation. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train JFT?
Around 8.4 × 10²⁰ FLOP, on NVIDIA Tesla K80. 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 JFT?
None. JFT 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 JFT open source?
The licensing for JFT was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
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.