Transformer-XL Large + Phrase Induction
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
- Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC)
- Organisationsart
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 4 June 2019
- Autoren
- Hongyin Luo, Lan Jiang, Yonatan Belinkov, James Glass
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language modeling/generation
- Basis-Modell
- Transformer-XL (257M)
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
- 257M
- Trainingsdaten
- 103,000,000 tokens
- Epochen
- 1
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
- 3.8 × 10²⁰ FLOP
- Wie es etabliert wurde
- Operation counting
- Feinabstimmung Rechenleistung
- 1.6 × 10¹⁷ FLOP
Fine-tuned from pre-trained Transformer-XL Large (upd 3.7832771e+20 FLOP, old estimation 1.09e19 FLOP). Total: 3.7832771e20 + 1.588e17 = 3.7848651e+20 FLOP (Speculative confidence same as Transformer XL)
Additional 1.6e17 FLOP of fine-tuning from one epoch on WikiText-103: 6 * 257M * 103M = 1.588e17 FLOP.
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
code license, BSD-3: https://github.com/luohongyin/PILM?tab=BSD-3-Clause-1-ov-file#readme training: https://github.com/luohongyin/PILM/blob/master/train_span_wt103.sh
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
- Speculative
- Zitationen
- 14
- Benchmark-Daten
- Transformer-XL Large + Phrase Induction
"We achieved a new state-of-the-art performance of 17.4 perplexity on the Wikitext-103 dataset"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Improving Neural Language Models by Segmenting, Attending, and Predicting the Future
- Zuletzt aktualisiert
- 1 December 2025
Was die Zahlen bedeuten
Was dieses Modell ist
Transformer-XL Large + Phrase Induction wurde veröffentlicht von Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), im Land aufgezeichnet als United States of America, während June 2019. Die veröffentlichende Organisation ist als academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language modeling/generation.
Es basiert auf Transformer-XL (257M). Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Der Trainingslauf verbrauchte etwa 3.8 × 10²⁰ FLOP. 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
Das Einschlusskriterium: sOTA improvement.
Antworten
Transformer-XL Large + Phrase Induction — Häufige Fragen
Transformer-XL Large + Phrase Induction— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Transformer-XL Large + Phrase Induction— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 257M. 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.
Transformer-XL Large + Phrase Induction— Wer hat es erstellt?
Es wurde veröffentlicht von Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), basiert auf United States of America, eine als kategorisierte Organisation academia,Academia.
Transformer-XL Large + Phrase Induction— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2019. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Transformer-XL Large + Phrase Induction— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language modeling/generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Transformer-XL Large + Phrase Induction— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.8 × 10²⁰ FLOP. 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.
Transformer-XL Large + Phrase Induction— 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.
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.