UniDiffuser (多模态大模型)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
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
- ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI
- Organisationsart
- Industry,Academia,Academia
- Land
- China
- Veröffentlicht
- 30 May 2023
- Autoren
- Fan Bao, Shen Nie, Kaiwen Xue, Chongxuan Li, Shi Pu, Yaole Wang, Gang Yue, Yue Cao, Hang Su, Jun Zhu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Image generation
- Aufgabe
- Text-to-image, Image captioning, Image generation, Image-to-image
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.
- Trainingsdaten
- tokens
"The training is multiple-staged following Stable Diffusion (Rombach et al., 2022). In the first stage, we train 250K steps at 256×256 resolution on laion2B-en with a batch size of 11264 and 5K warm-up steps. In the second stage, we fine-tune the model with 200K steps at 512×512 resolution on laion-high-resolution with a batch size of 2112 and 5K warm-up steps. In the last stage, we resume from the last checkpoint of the second stage (including both weights of the model and states of the optimiz…
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
- 2 × 10²² FLOP
- Wie es etabliert wurde
- Hardware
312000000000000 FLOP/GPU/sec * 672 hours * 3600 sec / hour * 88 GPUs * 0.3 [assumed utilization] = 1.992646656e+22 FLOP
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
- NVIDIA A100 SXM4 80 GB
- Verwendete Chips
- 88
- Wand-Uhrzeit
- 672 hours (28 days)
- Stromverbrauch
- 70.1 kW
"The training takes around 28 days on 88 A100 (80GB) GPUs" 28 days = 672 hours
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
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Unreleased
- Hugging Face
- thu-ml
AGPL-3.0 https://github.com/thu-ml/unidiffuser https://huggingface.co/thu-ml/unidiffuser-v1
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
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- One Transformer Fits All Distributions in Multi-Modal Diffusion at Scale
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Woher es kam
UniDiffuser (多模态大模型) wurde veröffentlicht von ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, im Land aufgezeichnet als China, während May 2023. Die Kategorie, in die der Herausgeber fällt, ist industry,Academia,Academia.
Es funktioniert im Bereich von Image generation, und wird als die Aufgabe von aufgezeichnet text-to-image, Image captioning, Image generation, Image-to-image.
Das Offen-Wiegen ist es, was diese Seite in den Rechner anstatt nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. thu-ml.
Training und Herkunft
Der Trainingslauf verbrauchte etwa 2 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 80 GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
UniDiffuser (多模态大模型) — Häufige Fragen
UniDiffuser (多模态大模型)— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
UniDiffuser (多模态大模型)— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
UniDiffuser (多模态大模型)— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
UniDiffuser (多模态大模型)— Wer hat es erstellt?
Es wurde veröffentlicht von ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, basiert auf China, eine als kategorisierte Organisation industry,Academia,Academia.
UniDiffuser (多模态大模型)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in May 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
UniDiffuser (多模态大模型)— Wofür wird es verwendet?
Es funktioniert im Bereich von Image generation, und wird als Bewältigung der Aufgabe von text-to-image, Image captioning, Image generation, Image-to-image. 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.
UniDiffuser (多模态大模型)— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation thu-ml. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
UniDiffuser (多模态大模型)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 80 GB. 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.