PaLM-SayCan
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Organisationstyp
- Industry
- Land
- United States of America
- Veröffentlicht
- 16 August 2022
- Autoren
- Michael Ahn, Anthony Brohan, Noah Brown, Yevgen Chebotar, Omar Cortes, Byron David, Chelsea Finn, Chuyuan Fu, Keerthana Gopalakrishnan, Karol Hausman, Alex Herzog, Daniel Ho, Jasmine Hsu, Julian Ibarz, Brian Ichter, Alex Irpan, Eric Jang, Rosario Jauregui Ruano, Kyle Jeffrey, Sally Jesmonth, Nikhil J Joshi, Ryan Julian, Dmitry Kalashnikov, Yuheng Kuang, Kuang-Huei Lee, Sergey Levine, Yao Lu, Linda…
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Robotics
- Aufgabe
- Robotic manipulation
- Ansatz
- Reinforcement learning
- Basis-Modell
- PaLM (540B)
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 540B
- Trainingsdaten
- tokens
540B from PaLM-540B.
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Feinabstimmung Rechenleistung
- 2.8 × 10²⁰ FLOP
I think PaLM-540B wasn't actually involved in training and the authors trained a separate RL model. "The RL model is trained using 16 TPUv3 chips and for about 100 hours, as well as a pool of 3000 CPU workers to collect episodes and another 3000 CPU workers to compute target Q-values." Ignoring CPU calculations: 1600 hours * 3600 * 123 teraflops * 0.4 (assumed utilization) = 2.83e20
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- Google TPU v3
- Verwendete Chips
- 16
- Wand-Uhrzeit
- 100 hours
- Stromverbrauch
- 14.4 kW
The RL model is trained using 16 TPUv3 chips and for about 100 hours
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Open source
We open source a version of SayCan that works with a simulated tabletop environment. [tabletop saycan] https://github.com/google-research/google-research/tree/master/saycan License: Apache 2.0
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Foundation model
- Yes
- Wahrscheinlich über 10²³ FLOP
- Yes
- Aufzeichnungszuversicht
- Likely
- Zitationen
- 3,081
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Do As I Can, Not As I Say: Grounding Language in Robotic Affordances
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
PaLM-SayCan was published by Google, in United States of America, in August 2022. industry is the category the publisher falls under.
It works in Robotics, and is recorded as doing robotic manipulation.
Its starting point was PaLM (540B) — most models at this scale are adapted from an existing base rather than built from nothing.
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Antworten
PaLM-SayCan — Häufig gestellte Fragen
When was PaLM-SayCan released?
PaLM-SayCan was published in August 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is PaLM-SayCan used for?
PaLM-SayCan works in Robotics, and is recorded as handling robotic manipulation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run PaLM-SayCan?
None. PaLM-SayCan is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is PaLM-SayCan open source?
No. PaLM-SayCan has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does PaLM-SayCan have?
PaLM-SayCan has 540B parameters. 540B from PaLM-540B. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created PaLM-SayCan?
PaLM-SayCan was published by Google, based in United States of America, categorised as industry.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.