T2R + Pretrain
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
- University of Washington,Microsoft,DeepMind
- Organisationsart
- Academia,Industry,Industry
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 24 March 2021
- Autoren
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
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
- 668.9M
- Trainingsdaten
- tokens
- Epochen
- 34.47
Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024…
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
- 1.4 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Operation counting,Hardware
Table 4, "We found that we could speed up training by reducing the warm-up steps, total update steps, maximum and minimum rates, and batch size to 8K steps, 142K steps, 5 ⋅ 10−6, 0.5, and 25K tokens " 142K updates, 25k token batches Training compute: 6*668893184*142000*25000=1.4247425e+19 GPU hour estimate: 98*60*60*125000000000000*0.3=1.323e+19 Geometric mean: 13729291050524059648 Epochs: 142000*25000/103000000=34.4660194175
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
- Wand-Uhrzeit
- 12 hours
- Stromverbrauch
- 4.9 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
- Unreleased
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
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
- 94
- Benchmark-Daten
- T2R + Pretrain
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Finetuning Pretrained Transformers into RNNs
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
T2R + Pretrain wurde veröffentlicht von University of Washington,Microsoft,DeepMind, im Land aufgezeichnet als United States of America, während March 2021. Die veröffentlichende Organisation ist als academia,Industry,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.
Was in den Aufbau geflossen ist
Der Trainingslauf verbrauchte etwa 1.4 × 10¹⁹ 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.
Antworten
T2R + Pretrain — Häufige Fragen
T2R + Pretrain— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
T2R + Pretrain— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.4 × 10¹⁹ 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.
T2R + Pretrain— 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.
T2R + Pretrain— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
T2R + Pretrain— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 668.9M. Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024=266240000 Total: 402653184+266240000=668893184. 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.
T2R + Pretrain— Wer hat es erstellt?
Es wurde veröffentlicht von University of Washington,Microsoft,DeepMind, basiert auf United States of America, eine als kategorisierte Organisation academia,Industry,Industry.
T2R + Pretrain— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in March 2021. 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.