Transformer-XL + RMT
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
- Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute
- Organisationsart
- Academia,Research collective
- Land
- Russia
- Veröffentlicht
- 14 July 2022
- Autoren
- Aydar Bulatov, Yuri Kuratov, Mikhail S. Burtsev
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
- 247M
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 15
"WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)"
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
- 6.8 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Operation counting,Hardware
6 FLOP / parameter / token * 200000 steps * 128 tokens per batch * 60 batches per step * 247000000 parameters= 2.276352e+18 FLOP 312000000000000 FLOP / sec / GPU * 2 GPUs * 30 hours [could be less, upper bound] * 3600 sec / hour * 0.3 [assumed utilization] = 2.02176e+19 FLOP sqrt(2.276352e+18*2.02176e+19) = 6.7839792e+18 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
- 2
- Wand-Uhrzeit
- 30 hours
- Stromverbrauch
- 1.6 kW
In most of the WikiText-103 experiments, we used 2 NVIDIA A100 80Gb GPUs, training time varied from 10 to 30 hours depending on sequence length, memory size, and number of BPTT unrolls
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: https://github.com/booydar/LM-RMT
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Speculative
- Zitationen
- 183
- Benchmark-Daten
- Transformer-XL + RMT
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Recurrent Memory Transformer
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
Transformer-XL + RMT wurde veröffentlicht von Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, im Land aufgezeichnet als Russia, während July 2022. Die veröffentlichende Organisation ist als academia,Research collective.
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
Der Trainingslauf verbrauchte etwa 6.8 × 10¹⁸ 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.
Training verbrauchte ein Korpus von etwa 103,000,000 Text-Tokens
Antworten
Transformer-XL + RMT — Häufige Fragen
Transformer-XL + RMT— 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 + RMT— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 247M. "WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)". 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.
Transformer-XL + RMT— Wer hat es erstellt?
Es wurde veröffentlicht von Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, basiert auf Russia, eine als kategorisierte Organisation academia,Research collective.
Transformer-XL + RMT— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Transformer-XL + RMT— 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 + RMT— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 6.8 × 10¹⁸ 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.
Transformer-XL + RMT— 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.