AFM-on-device
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Apple
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 29 July 2024
- Autoren
- Andy Narayanan, Aonan Zhang, Bowen Zhang, Chen Chen, Chong Wang, Chung-Cheng Chiu, David Qiu, Deepak Gopinath, Dian Ang Yap, Dong Yin, Feng Nan, Floris Weers, Guoli Yin, Haoshuo Huang, Jianyu Wang, Jiarui Lu, John Peebles, Ke Ye, Mark Lee, Nan Du, Qibin Chen, Quentin Keunebroek, Ruoming Pang, Sam Wiseman, Syd Evans, Tao Lei, Tom Gunter, Vivek Rathod, Xiang Kong, Xianzhi Du, Yanghao Li, Yongqiang W…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation
- Ansatz
- Self-supervised learning
- Numerisches Format
- BF16
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 2.7B
- Trainingsdaten
- 7,588,000,000,000 tokens
- Epochen
- 1
- Batch-Größe
- 18,949,753
Table 1, sum of non-embedding and embedding parameters
Not explicitly mentioned, but I assume the 7.588T tokens do not involve multiple epochs.
Main pretraining uses sequence length of 4096 tokens; 4096 sequences per batch. During the "continued" pre-training stage, sequence length is upped to 8192 while batch size remains 4096. During context lengthening, sequence length is upped to 32768 while "the recipe is similar to that used for continued pre-training" implies same batch size of 4096. Weighting batch sizes by number of tokens seen in each stage: exp((6.3T * ln(4096 * 4096) + 1T * ln(8192 * 4096) + 100B * ln(32768 * 4096))/ 7.4T)…
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 4.5 × 10²³ FLOP
- Wie es etabliert wurde
- Operation counting
Model was initialized from a pruned version of a 6.4B parameter model trained using the same recipe as AFM-server. Assuming "same recipe" involves training for the full 6.3T tokens, this implies 6 * 6.3T * 6.4B = 2.42e23 FLOP. The pruning masks are learned by training over 188B tokens, which suggests 6 * 188B * 6.4B = 7.22e21 FLOPs. Pretraining is then run over 6.3T tokens; however, labels are a convex combination of true labels and the predicted labels from the unpruned 6.4B model. Since thi…
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- Google TPU v5p
- Verwendete Chips
- 2,048
- Hardware-Auslastung
- MFU 52.0%
- Stromverbrauch
- 2.2 MW
- Cloud-Anbieter
- Google Cloud
- Datenzentrum
- Google us-east (either us-east1 or us-east5)
MFU is stated for AFM-server, assumed similar. If anything, this is likely a lower bound as training is done on a single slice of TPU chips compared to the 8 slices for AFM-server. "AFM-server was trained on 8192 TPUv4 chips provisioned as 8 × 1024 chip slices, where slices are connected together by the data-center network (DCN) [Chowdhery et al., 2022]. Only data-parallelism crosses the slice boundary, other types of state sharding are within-slice only as the within-slice interconnect bandwi…
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Hosted access (no API)
- Training-Code
- Unreleased
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Wahrscheinlich über 10²³ FLOP
- Yes
- Warum es verfolgt wird
- Significant use
- Aufzeichnungsgenauigkeit
- Confident
Currently in beta access only, but will be integrated into millions or billions of iPhones.
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Apple Intelligence Foundation Language Models
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Hintergrund
AFM-on-device wurde veröffentlicht von Apple, im Land aufgezeichnet als United States of America, während July 2024. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Der Trainingslauf verbrauchte etwa 4.5 × 10²³ FLOP, auf Hardware erfasst als Google TPU v5p. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 7,588,000,000,000 Text-Tokens
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: significant use.
Antworten
AFM-on-device — Häufige Fragen
AFM-on-device— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
AFM-on-device— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
AFM-on-device— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 2.7B. Table 1, sum of non-embedding and embedding parameters. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
AFM-on-device— Wer hat es erstellt?
Es wurde veröffentlicht von Apple, basiert auf United States of America, eine als kategorisierte Organisation industry.
AFM-on-device— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
AFM-on-device— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
AFM-on-device— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4.5 × 10²³ FLOP, auf Hardware erfasst als Google TPU v5p. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.