QT-Opt
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
- Google Brain,University of California (UC) Berkeley
- Organisationsart
- Industry,Academia
- Land
- United States of America
- Veröffentlicht
- 27 June 2018
- Autoren
- Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Robotics, Vision
- Aufgabe
- Robotic manipulation
- Ansatz
- Reinforcement learning
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
- 1.2M
- Trainingsdaten
- 11,600,000 tokens
- Epochen
- 80
"The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters"
Observations take up 4TB of disk space, and the input space is a 472x472 RGB image. Assuming 24 bit depth color (8 bits per channel), that suggests 472 * 472 * 3 * 8 bits = 668.352 kB per image (this could be off by a factor of 2 depending on actual bit depth) 4 TB / 668.352 kB = 5,984,870 images; around 10 per grasp attempt. 15M gradient steps with batchsize 32 implies: 15M steps * 32 images/step * 1/5984870 images ~= each image seen 80 times
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
- 1.4 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Hardware
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 9.30E+12 FLOP/sec/GPU * 0.4 utilization * 10 GPU = 1.395E+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 P100
- Wand-Uhrzeit
- 104 hours
- Rechenkosten
- $1,318
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 1/3600 hours/second = 104.2 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
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 1,692
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
QT-Opt wurde veröffentlicht von Google Brain,University of California (UC) Berkeley, im Land aufgezeichnet als United States of America, während June 2018. Die veröffentlichende Organisation ist als industry,Academia.
Es funktioniert im Bereich von Robotics, Vision, 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
Der Trainingslauf verbrauchte etwa 1.4 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA P100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 11,600,000 Text-Tokens
Antworten
QT-Opt — Häufige Fragen
QT-Opt— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 1.2M. "The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters". 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.
QT-Opt— Wer hat es erstellt?
Es wurde veröffentlicht von Google Brain,University of California (UC) Berkeley, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
QT-Opt— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2018. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
QT-Opt— Wofür wird es verwendet?
Es funktioniert im Bereich von Robotics, Vision, und wird als Bewältigung der Aufgabe von robotic manipulation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
QT-Opt— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.4 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA P100. 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.
QT-Opt— 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.
QT-Opt— 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.