DITTO
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
- Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK)
- Organisationsart
- Academia,Industry,Academia,Academia
- Land
- China, United States of America, Hong Kong
- Veröffentlicht
- 6 June 2022
- Autoren
- Jin Xu, Xiaojiang Liu, Jianhao Yan, Deng Cai, Huayang Li, Jian Li
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Text summarization
- Numerisches Format
- FP16
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
- 750M
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 7.16
"We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096."
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
- 3.3 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / token / parameter * 160000 steps * 3 samples per batch * 1536 tokens per sample * 750000000 parameters = 3.31776 × 10^18 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 V100
- Verwendete Chips
- 8
- Stromverbrauch
- 4.8 kW
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
open code https://github.com/Jxu-Thu/DITTO training: https://github.com/Jxu-Thu/DITTO/blob/main/train.py
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
- Confident
- Zitationen
- 109
- Benchmark-Daten
- DITTO
Achieves SOTA on CNN/DailyMail by fine-tuning and improving on BART-large, which is SOTA
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Learning to Break the Loop: Analyzing and Mitigating Repetitions for Neural Text Generation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
DITTO wurde veröffentlicht von Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), im Land aufgezeichnet als China, während June 2022. Die veröffentlichende Organisation ist als academia,Industry,Academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Text summarization.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 3.3 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA V100. 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
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: sOTA improvement.
Antworten
DITTO — Häufige Fragen
DITTO— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.3 × 10¹⁸ FLOP, auf Hardware erfasst als NVIDIA V100. 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.
DITTO— 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.
DITTO— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
DITTO— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 750M. "We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096.". 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.
DITTO— Wer hat es erstellt?
Es wurde veröffentlicht von Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), basiert auf China, eine als kategorisierte Organisation academia,Industry,Academia,Academia.
DITTO— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
DITTO— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Text summarization. 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.
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.