Transformer-XL + PowerSGD + L-Greco
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
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Organisationsart
- Academia,Industry
- Land
- Austria, United States of America
- Veröffentlicht
- 31 October 2022
- Autoren
- Mohammadreza Alimohammadi, Ilia Markov, Elias Frantar, Dan Alistarh
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.
- Trainingsdaten
- 103,000,000 tokens
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
- 1.3 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Hardware
35580000000000 FLOP / sec [fp16 precision assumed] * 15400 sec [see training time notes] * 8 GPUs * 0.3 [assumed utilization] = 1.3150368e+18 FLOP _______ They used similar estimation (4.14 × 10^17 FLOP) in the Algorithmic Progress paper - not sure how exactly it was calculated
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 GeForce RTX 3090
- Verwendete Chips
- 8
- Wand-Uhrzeit
- 4 hours
- Stromverbrauch
- 5.6 kW
40k steps [table 7] * 0.385 sec/step [figure 3] = 15400 sec = 4.28 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
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Open source
Apache 2. looks like just code: https://github.com/LGrCo/L-GreCo/tree/master/Transformer-XL
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
- 4
- Benchmark-Daten
- Transformer-XL + PowerSGD + L-Greco
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- L-GreCo: An Efficient and General Framework for Layerwise-Adaptive Gradient Compression
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
Transformer-XL + PowerSGD + L-Greco wurde veröffentlicht von Institute of Science and Technology Austria (ISTA),Neural Magic, im Land aufgezeichnet als Austria, während October 2022. Es stammt aus einer Organisation, die kategorisiert ist als academia,Industry.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Wie es trainiert wurde
Der Trainingslauf verbrauchte etwa 1.3 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 3090. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Trainingssatz lief auf etwa 103,000,000 Text-Tokens
Antworten
Transformer-XL + PowerSGD + L-Greco — Häufige Fragen
Transformer-XL + PowerSGD + L-Greco— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
Transformer-XL + PowerSGD + L-Greco— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.3 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 3090. 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.
Transformer-XL + PowerSGD + L-Greco— 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.
Transformer-XL + PowerSGD + L-Greco— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Transformer-XL + PowerSGD + L-Greco— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Transformer-XL + PowerSGD + L-Greco— Wer hat es erstellt?
Es wurde veröffentlicht von Institute of Science and Technology Austria (ISTA),Neural Magic, basiert auf Austria, eine als kategorisierte Organisation academia,Industry.
Transformer-XL + PowerSGD + L-Greco— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in October 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.