FGN
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 DeepMind
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 12 June 2025
- Autoři
- Ferran Alet, Ilan Price, Andrew El-Kadi, Dominic Masters, Stratis Markou, Tom R. Andersson, Jacklynn Stott, Remi Lam, Matthew Willson, Alvaro Sanchez-Gonzalez, Peter Battaglia
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Earth science
- Úkol
- Weather forecasting
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 720M
- Výcviková data
- tokens
"In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M
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
- 9.6 × 10²¹ FLOP
- Jak bylo ustanoveno
- Hardware
TPU v5 FLOPs: 459000000000000 TPU v6 FLOPs: 918000000000000 They train for 490 TPU days, with an unspecified mix of v5 and v6. Assuming same proportion of both TPU and a utilization of 0.33. Mean TPU FLOPs: 688500000000000 Compute: 490*24*60*60*688500000000000*0.33=9618950880000001000000
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v5p,Google TPU v6e Trillium
- Doba reálného času
- 72 hours
"Training FGN takes approximately 3 wall clock days, using a combined total of 490 TPUv5p and TPUv6e days of compute. " It's unclear if training a single model or the whole ensemble takes 3 days.
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
- Unreleased
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
"This paper presents FGN, a simple, scalable and flexible modeling approach which significantly outperforms the current state-of-the-art models" "FGN achieves state-of-the-art cyclone track prediction" "Our results show FGN offers substantial improvements over previous ML-based probabilistic weather models, and sets a new state-of-the-art in ensemble forecasting. It outperforms GenCast with both the skill of its marginal forecasts, including on extreme weather, as well as its skill in forecast…
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Skillful joint probabilistic weather forecasting from marginals
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
FGN byl zveřejněn Google DeepMind, v zemi zaznamenané jako United States of America, během June 2025. Vydavatelská organizace je kategorizována jako industry.
funguje v oblasti Earth science, a je zaznamenán jako vykonávající úkol weather forecasting.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 9.6 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v5p,Google TPU v6e Trillium. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Jeho kritérium zahrnutí: sOTA improvement.
Odpovědi
FGN — běžné otázky
FGN— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
FGN— kolik má parametrů?
Má počet parametrů 720M. "In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
FGN— Kdo to vytvořil?
Bylo to publikováno společností Google DeepMind, zakládající se na United States of America, organizace zařazená jako industry.
FGN— Kdy byl vydán?
Bylo to zveřejněno v June 2025.
FGN— K čemu se to používá?
funguje v oblasti Earth science, a je zaznamenáno jako zpracovávající úkol weather forecasting. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
FGN— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 9.6 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v5p,Google TPU v6e Trillium. 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.
FGN— 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.
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.