Uni-Med
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
- Tsinghua University,Beijing University of Posts and Telecommunications
- Organisationsart
- Academia,Academia
- Land
- China
- Veröffentlicht
- 1 November 2024
- Autoren
- Xun Zhu, Ying Hu, Fanbin Mo, Miao Li, Ji Wu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Basis-Modell
- Llama 2-7B,ViT-G/14
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
- 8.8B
- Trainingsdaten
- tokens
7B (LLama) + 1843000000 (ViT) = 8.8B
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 × 10²³ FLOP
- Feinabstimmung Rechenleistung
- 5.6 × 10¹⁸ FLOP
Finetune: 10*60*60*312000000000000*0.5=5.616e+18 Base models: 8.4e+22, 5.85e+22 Total: 1.4250562e+23
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 A800 SXM
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 10 hours
- Stromverbrauch
- 433 W
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 (restricted use)
https://github.com/MSIIP/Uni-Med (undefined license) I haven't found released pre-trained weights
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Wahrscheinlich über 10²³ FLOP
- Yes
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 23
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
Uni-Med wurde veröffentlicht von Tsinghua University,Beijing University of Posts and Telecommunications, im Land aufgezeichnet als China, während November 2024. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, Llama 2-7B,ViT-G/14. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.
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 1.4 × 10²³ FLOP, auf Hardware erfasst als NVIDIA A800 SXM. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
Uni-Med — Häufige Fragen
Uni-Med— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 8.8B. 7B (LLama) + 1843000000 (ViT) = 8.8B. 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.
Uni-Med— Wer hat es erstellt?
Es wurde veröffentlicht von Tsinghua University,Beijing University of Posts and Telecommunications, basiert auf China, eine als kategorisierte Organisation academia,Academia.
Uni-Med— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Uni-Med— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1.4 × 10²³ FLOP, auf Hardware erfasst als NVIDIA A800 SXM. 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.
Uni-Med— 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.
Uni-Med— 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.