Brain2Qwerty
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
- Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition
- Organisationsart
- Industry,Academia,Academia
- Land
- United States of America, France, Spain
- Veröffentlicht
- 18 February 2025
- Autoren
- Jarod Lévy,, Mingfang (Lucy) Zhang, Svetlana Pinet, Jérémy Rapin, Hubert Banville, Stéphane d’Ascoli, Jean-Rémi King
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Language
- Aufgabe
- Language 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
- 400M
- Trainingsdaten
- tokens
- Epochen
- 100
a total of ∼ 400M parameters (258M for Conv, 138M for Trans)
The model is trained for 100 epochs with a batch size of 128 Custom dataset collected from 35 participants typing 128 unique Spanish sentences
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
- 1.6 × 10¹⁸ FLOP
- Wie es etabliert wurde
- Hardware
125000000000000 FLOP / GPU / sec [V100 reported, bf16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.62e+18 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
- 1
- Wand-Uhrzeit
- 12 hours
- Stromverbrauch
- 324 W
Training was conducted on a single NVIDIA Tesla V100 Volta GPU with 32 GB of memory. The total runtime for training one model is ∼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
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Brain-to-Text Decoding: A Non-invasive Approach via Typing
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Brain2Qwerty wurde veröffentlicht von Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, im Land aufgezeichnet als United States of America, während February 2025. Die Kategorie, in die der Herausgeber fällt, ist industry,Academia,Academia.
Es funktioniert im Bereich von Language, und wird als die Aufgabe von aufgezeichnet language generation.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Wie es trainiert wurde
Die Herstellung erforderte eine Arithmetik, die insgesamt etwa 1.6 × 10¹⁸ 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
Brain2Qwerty — Häufige Fragen
Brain2Qwerty— Wofür wird es verwendet?
Es funktioniert im Bereich von Language, und wird als Bewältigung der Aufgabe von language generation. 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.
Brain2Qwerty— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.6 × 10¹⁸ 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.
Brain2Qwerty— 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.
Brain2Qwerty— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Brain2Qwerty— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 400M. a total of ∼ 400M parameters (258M for Conv, 138M for Trans). 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.
Brain2Qwerty— Wer hat es erstellt?
Es wurde veröffentlicht von Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia,Academia.
Brain2Qwerty— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2025.
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.