RetNet
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
- Microsoft Research,Tsinghua University
- Organisationsart
- Industry,Academia
- Land
- United States of America, China
- Veröffentlicht
- 17 July 2023
- Autoren
- Yutao Sun, Li Dong, Shaohan Huang, Shuming Ma, Yuqing Xia, Jilong Xue, Jianyong Wang, Furu Wei
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling
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
- 6.7B
- Trainingsdaten
- 100,000,000,000 tokens
- Batch-Größe
- 4,000,000
Table 2 They later mention testing the memory and throughput of a 13B-parameter model, but it doesn't sound like they trained it long enough to test its perplexity.
4M
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 × 10²¹ FLOP
- Wie es etabliert wurde
- Operation counting
C = 6ND = 6 * 6.7 billion * 100 billion "We train the models with 512 AMD MI200 GPUs." Another rough method: Table 4 shows throughput is 8642.2 words per second during training on an 8xA100 setup, with batch size of 8192. This suggests 2543.1 hours to go through the full 100B tokens ~= 75B words. (8 * 3.12e14) * (2543.1 * 3600) * (0.3) = 6.9e21 FLOPs (low confidence in this as actual training setup used different hardware and much larger batch size, but same OOM is encouraging)
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
- Unreleased
- Training-Code
- Unreleased
MIT for code looks like model code not train code: https://github.com/microsoft/unilm/tree/master/retnet
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 646
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Retentive Network: A Successor to Transformer for Large Language Models
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
RetNet wurde veröffentlicht von Microsoft Research,Tsinghua University, im Land aufgezeichnet als United States of America, während July 2023. Die Kategorie, in die der Herausgeber fällt, ist industry,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling.
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
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 4 × 10²¹ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 100,000,000,000 Text-Tokens
Antworten
RetNet — Häufige Fragen
RetNet— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
RetNet— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
RetNet— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4 × 10²¹ FLOP. 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.
RetNet— 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.
RetNet— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
RetNet— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 6.7B. Table 2 They later mention testing the memory and throughput of a 13B-parameter model, but it doesn't sound like they trained it long enough to test its perplexity. 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.
RetNet— Wer hat es erstellt?
Es wurde veröffentlicht von Microsoft Research,Tsinghua University, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
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.