SRU++ Large only 2 attention layers (k=5) (WT103)
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
- ASAPP
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 24 February 2021
- Autoren
- Tao Lei
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
- 225M
- Trainingsdaten
- tokens
- Epochen
- 34.08
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
- 3.6 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+19
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
- 33 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
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/README.md
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
- 54
- Benchmark-Daten
- SRU++ Large only 2 attention layers (k=5)
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Hintergrund
SRU++ Large only 2 attention layers (k=5) (WT103) wurde veröffentlicht von ASAPP, im Land aufgezeichnet als United States of America, während February 2021. Es stammt aus einer Organisation, die kategorisiert ist als industry.
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.
Was in den Aufbau geflossen ist
Das Training benötigte ein Rechenbudget von ungefähr 3.6 × 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
SRU++ Large only 2 attention layers (k=5) (WT103) — Häufige Fragen
SRU++ Large only 2 attention layers (k=5) (WT103)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 225M. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— Wer hat es erstellt?
Es wurde veröffentlicht von ASAPP, basiert auf United States of America, eine als kategorisierte Organisation industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2021. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
SRU++ Large only 2 attention layers (k=5) (WT103)— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.6 × 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert 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.