Knowledge distillation student model
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
- Harvard University
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 22 September 2016
- Autoři
- Yoon Kim, Alexander M. Rush
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Translation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 84M
- Výcviková data
- 100,000,000 tokens
84M from Table 1.
"The training set has 4m sentences". If the average sentence is ~25 tokens (ballpark), dataset size is 4M * 25 * 2 = 200M tokens
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 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Operation counting
6ND = 6 FLOP/param/token * 84000000 parameters * 200000000 tokens = 1.008e+17 FLOP (Speculative confidence since the amount of epochs is unknown)
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.
- Tréninkový kód
- Open source
https://github.com/harvardnlp/seq2seq-attn?tab=readme-ov-file MIT License
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Speculative
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Sequence-Level Knowledge Distillation
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
Knowledge distillation student model byl zveřejněn Harvard University, v zemi zaznamenané jako United States of America, během September 2016. Vydavatelská organizace je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol translation.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 1 × 10¹⁷ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 100,000,000 tokeny textu
Odpovědi
Knowledge distillation student model — běžné otázky
Knowledge distillation student model— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1 × 10¹⁷ 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.
Knowledge distillation student model— 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.
Knowledge distillation student model— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
Knowledge distillation student model— kolik má parametrů?
Má počet parametrů 84M. 84M from Table 1. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
Knowledge distillation student model— Kdo to vytvořil?
Bylo to publikováno společností Harvard University, zakládající se na United States of America, organizace zařazená jako academia.
Knowledge distillation student model— Kdy byl vydán?
Bylo to zveřejněno v September 2016. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Knowledge distillation student model— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol translation. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
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.