RFA-GATE-Gaussian-Stateful Big
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,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong
- Organisationsart
- Academia,Industry,Research collective,Academia,Academia
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland, Israel, Hong Kong
- Veröffentlicht
- 3 March 2021
- Autoren
- Hao Peng, Nikolaos Pappas, Dani Yogatama, Roy Schwartz, Noah A. Smith, Lingpeng Kong
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation, Translation
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
- 242M
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 47.72
- Batch-Größe
- 32,768
242m
"All models are trained for up to 150K gradient steps " batch size 64 "All models use a 512 block size during both training and evaluation, i.e., they read as input a segment of 512 consecutive tokens, without access to the context from previous mini-batches." 512*64*150000/103000000 = 47.72
512*64
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
- 7.1 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Operation counting
6 FLOP / token / parameter * 242000000 parameters * 512 tokens per sample * 64 samples per batch * 150000 steps = 7.1368704e+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
- Google TPU v3
- Verwendete Chips
- 16
- Wand-Uhrzeit
- 3 hours
- Stromverbrauch
- 14.6 kW
7.1368704e+18 FLOP [estimated compute] / (123000000000000 FLOP / s * 16 GPUs * 3600 sec / hour * 0.3 [assumed precision]) = 3.36 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
- Unreleased
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
- 430
- Benchmark-Daten
- RFA-GATE-Gaussian-Stateful Big
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Random Feature Attention
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
RFA-GATE-Gaussian-Stateful Big wurde veröffentlicht von University of Washington,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong, im Land aufgezeichnet als United States of America, während March 2021. Die Kategorie, in die der Herausgeber fällt, ist academia,Industry,Research collective,Academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Translation.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Wie es trainiert wurde
Das Training benötigte ein Rechenbudget von ungefähr 7.1 × 10¹⁸ FLOP, auf Hardware erfasst als Google TPU v3. 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
RFA-GATE-Gaussian-Stateful Big — Häufige Fragen
RFA-GATE-Gaussian-Stateful Big— Wer hat es erstellt?
Es wurde veröffentlicht von University of Washington,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong, basiert auf United States of America, eine als kategorisierte Organisation academia,Industry,Research collective,Academia,Academia.
RFA-GATE-Gaussian-Stateful Big— 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.
RFA-GATE-Gaussian-Stateful Big— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation, Translation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
RFA-GATE-Gaussian-Stateful Big— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 7.1 × 10¹⁸ FLOP, auf Hardware erfasst als Google TPU v3. 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.
RFA-GATE-Gaussian-Stateful Big— 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.
RFA-GATE-Gaussian-Stateful Big— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
RFA-GATE-Gaussian-Stateful Big— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 242M. 242m. 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.
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.