eDiff-I
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
- NVIDIA
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 2 November 2022
- Autoren
- Yogesh Balaji, Seungjun Nah, Xun Huang, Arash Vahdat, Jiaming Song, Qinsheng Zhang, Karsten Kreis, Miika Aittala, Timo Aila, Samuli Laine, Bryan Catanzaro, Tero Karras, Ming-Yu Liu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Image generation
- Aufgabe
- Image generation, Text-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.
- Parameter
- 9.1B
- Trainingsdaten
- 1,556,275,200,000 tokens
9.1B for config D, Table 1
"The final dataset to train our model contains about one billion text-image pairs"
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
- 5.5 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Operation counting
6ND = 6*9100000000*1000000000=5.46e+19 (likely, might change because of several epochs / dataset division) "The base model was trained using 256 NVIDIA A100 GPUs, while the two super-resolution models were trained with 128 NVIDIA A100 GPUs each" no info on duration
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
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
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 1,046
SOTA zero-shot FID on COCO 2014, Table 1 May be significantly used, via Nvidia Picasso: https://www.nvidia.com/en-us/gpu-cloud/picasso/
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- eDiff-I: Text-to-Image Diffusion Models with an Ensemble of Expert Denoisers
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
eDiff-I wurde veröffentlicht von NVIDIA, im Land aufgezeichnet als United States of America, während November 2022. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Image generation, und wird als die Aufgabe von aufgezeichnet image generation, Text-to-image.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 5.5 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA A100. 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 1,556,275,200,000 Text-Tokens
Das Einschlusskriterium: sOTA improvement.
Antworten
eDiff-I — Häufige Fragen
eDiff-I— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
eDiff-I— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 9.1B. 9.1B for config D, Table 1. 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.
eDiff-I— Wer hat es erstellt?
Es wurde veröffentlicht von NVIDIA, basiert auf United States of America, eine als kategorisierte Organisation industry.
eDiff-I— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
eDiff-I— Wofür wird es verwendet?
Es funktioniert im Bereich von Image generation, und wird als Bewältigung der Aufgabe von image generation, Text-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.
eDiff-I— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 5.5 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA A100. 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.
eDiff-I— 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.
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.