T2R + Random Init
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
- University of Washington,Microsoft,DeepMind,Allen Institute for AI
- Τύπος οργάνωσης
- Academia,Industry,Industry,Research collective
- Χώρα
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Δημοσιευμένο
- 24 March 2021
- Συγγραφείς
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Language
- Εντολή
- Language modeling
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
- 450M
- Δεδομένα εκπαίδευσης
- 103,000,000 tokens
- Εποχές
- 205.48
- Μέγεθος παρτίδας
- 74,000
450M source: https://arxiv.org/pdf/2203.12644 table 3
"We train the model with a batch size of about 74K tokens with a total of 286K steps" 74000*286000 / 103000000 = 205.48 epochs
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
- 2.7 × 10¹⁹ FLOP
- Πώς ιδρύθηκε
- Operation counting,Hardware
6 FLOP / token / parameter * 450000000 parameters * 74000 tokens per batch * 286000 steps = 5.71428e+19 FLOP 125000000000000 [assumed bf16] * 98 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.323e+19 FLOP geometric mean: sqrt(5.71428e+19*1.323e+19) = 2.749544e+19
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA V100
- Τσιπ που χρησιμοποιούνται
- 8
- Τσιπ-ώρες
- 98
- Κατανάλωση ενέργειας
- 4.9 kW
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
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Likely
- Αναφορές
- 94
- Benchmark data
- T2R + Random Init
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Finetuning Pretrained Transformers into RNNs
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Ιστορικό
T2R + Random Init was published by University of Washington,Microsoft,DeepMind,Allen Institute for AI, in United States of America, in March 2021. academia,Industry,Industry,Research collective is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
Τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε μπορεί να αποκτηθεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Τι απαιτήθηκε για την κατασκευή του
The training run consumed about 2.7 × 10¹⁹ FLOP, on NVIDIA V100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
The training set ran to roughly 103,000,000 tokens.
Απαντήσεις
T2R + Random Init — Συχνές ερωτήσεις
What GPU do I need to run T2R + Random Init?
None. T2R + Random Init 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 T2R + Random Init open source?
No. T2R + Random Init has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does T2R + Random Init have?
T2R + Random Init has 450M parameters. 450M source: https://arxiv.org/pdf/2203.12644 table 3. 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 T2R + Random Init?
T2R + Random Init was published by University of Washington,Microsoft,DeepMind,Allen Institute for AI, based in United States of America, categorised as academia,Industry,Industry,Research collective.
When was T2R + Random Init released?
T2R + Random Init was published in March 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 T2R + Random Init used for?
T2R + Random Init works in Language, and is recorded as handling language modeling. 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 T2R + Random Init?
Around 2.7 × 10¹⁹ FLOP, on NVIDIA V100. 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..