DLRM-2022
χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη για αυτό το μοντέλο δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε κανένα μέγεθος. Είναι προσβάσιμο μόνο μέσω του παρόχου του, και καμία κάρτα γραφικών δεν το αλλάζει..
Σε καταγραφή
πλήρης προδιαγραφή
Τα πάντα είναι καταγεγραμμένα για αυτό το μοντέλο. Το μεγαλύτερο μέρος περιγράφει πώς έχει εκπαιδευτεί παρά πώς εκτελείται — χρήσιμος πλαίσιο για να κρίνουμε πόση δουλειά έχει γίνει σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- Τύπος οργάνωσης
- Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 15 September 2021
- Authors
- D Mudigere, Y Hao, J Huang, A Tulloch
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες χτίστηκε το μοντέλο. Ένα μοντέλο μπορεί να φέρει αρκετές από κάθε μία.
- Δικτύου
- Recommendation
- Recommender system
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν θα χωρέσει σε μια δεδομένη κάρτα γραφικών.
- παραμέτρους
- 3T
- Εκπαίδευση δεδομένων
- tokens
Figure 1 https://arxiv.org/abs/2104.05158
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε floating-point operations. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι της ταχύτητας που απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 1.1 × 10²¹ FLOP
- Πώς ιδρύθηκε
- Reported
Figure 1 https://arxiv.org/abs/2104.05158
Η εκπαίδευση τρέχει
Τι χρειάστηκε φυσικά για την εκπαίδευση: ποια τσιπ, πόσα, για πόσο καιρό, και τι ρεύμα αντλήθηκε από το δίκτυο.
- Υλικό εκπαίδευσης
- NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στον δικό σας υλικό, το οποίο είναι αυτό που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα ισχύουν.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κωδικός εκπαίδευσης
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζονται στο σύνολο δεδομένων προέλευσης κατά την παρακολούθηση σημαντικών μοντέλων και πόσο σίγουρο είναι για την καταχώρηση.
- Το μοντέλο δεν ταιριάζει στο VRAM του GPU.
- Confident
- 197
Ποιό μοντέλο μπορεί να τρέξει η GPU; Δεν ταιριάζει. Τρέχει άνετα.
Όταν αυτό το αρχείο δημιουργήθηκε και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Software-Hardware Co-design for Fast and Scalable Training of Deep Learning Recommendation Models
- Τι μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ σφιχτό. Άνετο.
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Τι είναι αυτό το μοντέλο
DLRM-2022 was published by Facebook, in United States of America, in September 2021. It comes out of industry.
It works in Recommendation, and is recorded as doing recommender system.
Αυτό είναι ένα κλειστό μοντέλο: οι εκπαιδευμένες τιμές παρέμειναν σε όποιον τις παρήγαγε, και δεν υπάρχει τοπική έκδοση για να τρέξει.
Πώς εκπαιδεύτηκε
Producing it required around 1.1 × 10²¹ FLOP of arithmetic, on NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100, which is a statement about the training budget rather than about inference.
Απαντήσεις
DLRM-2022 — Αυτό το μοντέλο δεν χωράει στη VRAM της GPU.
When was DLRM-2022 released?
DLRM-2022 was published in September 2021. 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 DLRM-2022 used for?
DLRM-2022 works in Recommendation, and is recorded as handling recommender system. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train DLRM-2022?
Around 1.1 × 10²¹ FLOP, on NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100. 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.
What GPU do I need to run DLRM-2022?
None. DLRM-2022 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 DLRM-2022 open source?
No. DLRM-2022 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DLRM-2022 have?
DLRM-2022 has 3T parameters. Figure 1 https://arxiv.org/abs/2104.05158. 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 DLRM-2022?
DLRM-2022 was published by Facebook, based in United States of America, categorised as industry.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Εάν έχετε ήδη μια κάρτα και θέλετε να ξέρετε τα πάντα που μπορεί να εκτελέσει., δεν χωράει.