Dexterous In-Hand Manipulation [control policy]
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
- 1 August 2018
- Autoren
- Marcin Andrychowicz, Bowen Baker, Maciek Chociej, Rafal Jozefowicz, Bob McGrew, Jakub Pachocki, Arthur Petron, Matthias Plappert, Glenn Powell, Alex Ray, Jonas Schneider, Szymon Sidor, Josh Tobin, Peter Welinder, Lilian Weng, Wojciech Zaremba
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Robotics
- Aufgabe
- Robotic manipulation
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
- 3.2M
- Trainingsdaten
- tokens
See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-…
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
- Hardware
In experiments, runs were typically conducted for 50 hours of wall time, with up to 32 GPUs. Table 10 specifies V100 GPUs for training the policy. Assume V100 base variant, BF16, 0.3 utilization V100 tensor FP16 performance = 1.25e14 FLOP/s 32 GPUs * (0.3 * 1.25e14 FLOP/s/GPU) * (3600 s/1 hr) * 50 hr = 2.16e+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
- NVIDIA V100
- Verwendete Chips
- 8
- Wand-Uhrzeit
- 50 hours
- Stromverbrauch
- 5.0 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
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
- 2,156
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Learning Dexterous In-Hand Manipulation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
Dexterous In-Hand Manipulation [control policy] wurde veröffentlicht von OpenAI, im Land aufgezeichnet als United States of America, während August 2018. Die Kategorie, in die der Herausgeber fällt, ist industry.
Es funktioniert im Bereich von Robotics, und wird als die Aufgabe von aufgezeichnet robotic manipulation.
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
Das Training benötigte ein Rechenbudget von ungefähr 2.2 × 10²⁰ 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
Dexterous In-Hand Manipulation [control policy] — Häufige Fragen
Dexterous In-Hand Manipulation [control policy]— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.2 × 10²⁰ 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.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Dexterous In-Hand Manipulation [control policy]— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 3.2M. See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-RELU: 1024 out [Table 10, assume bias] - LSTM: 512 out [Table 10, assume bias] - FC (implied?): 20 out [Appendix C.1, Actions] parameters: - FC-RELU: 23552 [(22+1)*1024] - normalization: 0 [ignored] - LSTM: 3147776 [4*(1024+512+1)*512] - FC (Implied?): 10260 [(512+1)*20]. 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.
Dexterous In-Hand Manipulation [control policy]— Wer hat es erstellt?
Es wurde veröffentlicht von OpenAI, basiert auf United States of America, eine als kategorisierte Organisation industry.
Dexterous In-Hand Manipulation [control policy]— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2018. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Dexterous In-Hand Manipulation [control policy]— Wofür wird es verwendet?
Es funktioniert im Bereich von Robotics, und wird als Bewältigung der Aufgabe von robotic manipulation. 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.
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.