Adaptive Agent
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- DeepMind
- Τύπος οργάνωσης
- Industry
- Χώρα
- United Kingdom of Great Britain and Northern Ireland
- Δημοσιευμένο
- 18 January 2023
- Συγγραφείς
- Adaptive Agent Team, Jakob Bauer, Kate Baumli, Satinder Baveja, Feryal Behbahani, Avishkar Bhoopchand, Nathalie Bradley-Schmieg, Michael Chang, Natalie Clay, Adrian Collister, Vibhavari Dasagi, Lucy Gonzalez, Karol Gregor, Edward Hughes, Sheleem Kashem, Maria Loks-Thompson, Hannah Openshaw, Jack Parker-Holder, Shreya Pathak, Nicolas Perez-Nieves, Nemanja Rakicevic, Tim Rocktäschel, Yannick Schroec…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Games
- Εντολή
- Open ended play
- Προσέγγιση
- Reinforcement learning
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Παραμέτροι
- 533M
- Δεδομένα εκπαίδευσης
- tokens
Table D.9
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 2.8 × 10²¹ FLOP
- Πώς ιδρύθηκε
- Hardware
"AdA was implemented using JAX (Bradbury et al., 2018) and the DeepMind JAX Ecosystem (Babuschkin et al., 2020) and trained on 64 Google TPUv3 devices. The wall-clock time for training this version of AdA from scratch was approximately 5 weeks: 1 week to train the teacher, and 4 weeks to train AdA" 64 * 123 teraflop/s * 35 days * 24 * 3600 * 0.4 = 9.5e21 This might be for all single-agent experiments in the paper, or just for the 76M model in Table D.1, I'm not sure. In Table E.2, the 533M-pa…
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- Google TPU v3
- Χρόνος τοίχου
- 840 hours (35 days)
5 weeks. Possible that this is for multiple models
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κώδικας εκπαίδευσης
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Speculative
- Αναφορές
- 157
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Human-Timescale Adaptation in an Open-Ended Task Space
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
Adaptive Agent was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in January 2023. The organisation is categorised as industry.
It works in Games, and is recorded as doing open ended play.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Εκπαίδευση και προέλευση
The training run consumed about 2.8 × 10²¹ FLOP, on Google TPU v3. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Απαντήσεις
Adaptive Agent — Συχνές ερωτήσεις
What GPU do I need to run Adaptive Agent?
None. Adaptive Agent is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Adaptive Agent open source?
No. Adaptive Agent has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Adaptive Agent have?
Adaptive Agent has 533M parameters. Table D.9. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created Adaptive Agent?
Adaptive Agent was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was Adaptive Agent released?
Adaptive Agent was published in January 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Adaptive Agent used for?
Ο Προσαρμοστικός Πράκτορας λειτουργεί σε Παιχνίδια και καταγράφεται ότι χειρίζεται ανοικτού τύπου παιχνίδι. Ένα μοντέλο μπορεί να μεταφέρει αρκετά από το καθένα, οπότε αυτές είναι οι περιοχές για τις οποίες κατασκευάστηκε και όχι περιορισμός στο τι θα προσπαθήσει.
How much compute was used to train Adaptive Agent?
Around 2.8 × 10²¹ FLOP, on Google TPU v3. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..