Long-range sequence Compressive Transformers
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
- DeepMind
- Organisationsart
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 13 November 2019
- Autoren
- Jack W. Rae, Anna Potapenko, Siddhant M. Jayakumar, Timothy P. Lillicrap
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.
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 328.32
- Batch-Größe
- 65,536
"for word-based LM we used 16, 000 warmup steps with 500, 000 decay steps" "a sequence window size all equal to 512" " a total batch size of 128" 516000*512*128/103000000 = 328.32 epochs
512*128
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 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
123000000000000 FLOP / second/ GPU * 64 GPUs * 12 hours * 3600 sec/hour * 0.3 [assumed utilization] = 1.0202112e+20 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
- 64
- Wand-Uhrzeit
- 12 hours
- Stromverbrauch
- 59.0 kW
"The model converged in a little over 12 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
- 845
- Benchmark-Daten
- Compressive Transformers for Long-Range Sequence Modelling
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Compressive Transformers for Long-Range Sequence Modelling
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
Long-range sequence Compressive Transformers wurde veröffentlicht von DeepMind, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während November 2019. 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.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Wie es trainiert wurde
Der Trainingslauf verbrauchte etwa 1 × 10²⁰ 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.
Es wurde auf einem Korpus von etwa 103,000,000 Text-Tokens
Antworten
Long-range sequence Compressive Transformers — Häufige Fragen
Long-range sequence Compressive Transformers— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2019. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Long-range sequence Compressive Transformers— 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.
Long-range sequence Compressive Transformers— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1 × 10²⁰ 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.
Long-range sequence Compressive Transformers— 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.
Long-range sequence Compressive Transformers— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Long-range sequence Compressive Transformers— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Long-range sequence Compressive Transformers— Wer hat es erstellt?
Es wurde veröffentlicht von DeepMind, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation industry.
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.