MuseNet
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
- OpenAI
- Organisationsart
- Industry
- Land
- United States of America
- Veröffentlicht
- 25 April 2019
- Autoren
- OpenAI
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Audio
- Aufgabe
- Audio generation
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
- 2B
- Trainingsdaten
- tokens
From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744
“hundreds of thousands of MIDI files”
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
- 2.2 × 10²⁰ FLOP
- Wie es etabliert wurde
- Operation counting
From article: 72 Layers 24 Attention heads 4096 ctx length Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Average sequence length: 5000 Epochs: 5 Training data: 500000 Forward FLOP: Attention: 2*H*(W*(2*D+N)+L*(D+N)+N*M) 2*24*(1536*(2*64+64)+4096*(64+64)+64*1536)=44040192 MLP: 2*(1536*6144+6144*1536)=37748736 Total forward flop: 72*(44040192+37748736)=5888802816 Training compute 5888802816*3*500000*5000*5=220830105600000000000=2.2e20
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
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
- Significant use
- Aufzeichnungsgenauigkeit
- Likely
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- MuseNet
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
MuseNet wurde veröffentlicht von OpenAI, im Land aufgezeichnet als United States of America, während April 2019. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Audio, und wird als die Aufgabe von aufgezeichnet audio generation.
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
Der Trainingslauf verbrauchte etwa 2.2 × 10²⁰ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Der Grund, warum es überhaupt in diesem Katalog erscheint: significant use.
Antworten
MuseNet — Häufige Fragen
MuseNet— Wofür wird es verwendet?
Es funktioniert im Bereich von Audio, und wird als Bewältigung der Aufgabe von audio generation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
MuseNet— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.2 × 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.
MuseNet— 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.
MuseNet— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
MuseNet— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 2B. From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744. 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.
MuseNet— Wer hat es erstellt?
Es wurde veröffentlicht von OpenAI, basiert auf United States of America, eine als kategorisierte Organisation industry.
MuseNet— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in April 2019. 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.