Aeneas
Καμία εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Δεν έχει δημοσιευτεί το βάρος για αυτό το μοντέλο, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε οποιοδήποτε μέγεθος. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του, και καμία κάρτα γραφικών δεν το αλλάζει αυτό..
Σε καταγραφή
Πλήρης προδιαγραφή
Όλα τα καταγεγραμμένα για αυτό το μοντέλο. Τα περισσότερα από αυτά περιγράφουν το πώς εκπαιδεύτηκε παρά το πώς τρέχει — χρήσιμο πλαίσιο για την εκτίμηση του πόση εργασία έχει επενδυθεί σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος κατασκεύασε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- Google DeepMind,University of Nottingham,University of Warwick,Athens University of Economics and Business,Google,University of Oxford
- Τύπος οργανισμού
- Industry,Academia,Academia,Academia,Industry,Academia
- Χώρα
- United States of America, United Kingdom of Great Britain and Northern Ireland, Greece
- Δημοσιευμένο
- 23 July 2025
- Συγγραφείς
- Yannis Assael, Thea Sommerschield, Alison Cooley, Brendan Shillingford, John Pavlopoulos, Priyanka Suresh, Bailey Herms, Justin Grayston, Benjamin Maynard, Nicholas Dietrich, Robbe Wulgaert, Jonathan Prag, Alex Mullen, Shakir Mohamed
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες σχεδιάστηκε το μοντέλο. Ένα μοντέλο μπορεί να διαθέτει αρκετές από κάθε μία.
- τομέας
- Vision, Multimodal, Language
- Εργασία
- Character recognition (OCR), Visual question answering
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Δεδομένα εκπαίδευσης
- tokens
"batch size of 1,024 text–image pairs, using the LAMB81 optimizer. The learning rate follows a schedule with a peak value of 3 × 10−3, a warm-up phase of 4,000 steps and a total of 1 million steps." -> ~10^9 image-text pairs
Εκπαίδευση υπολογιστών
Η αριθμητική που πραγματοποιήθηκε για την εκπαίδευση του μοντέλου, μετρημένη σε πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της προπόνησης, όχι της ταχύτητας με την οποία το ολοκληρωμένο μοντέλο σας απαντά.
- Εκπαίδευση υπολογιστών
- 2.3 × 10²¹ FLOP
- Πώς ιδρύθηκε
- Hardware
197000000000000 FLOP / chip / sec * 64 chips * 168 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.2875955e+21 FLOP
Η εκπαίδευση run
Τι απαιτήθηκε φυσικά για την εκπαίδευση: ποιες κάρτες, πόσες, για πόσο καιρό, και τι αυτό απαιτούσε από το ρεύμα.
- Υλικό εκπαίδευσης
- Google TPU v5e
- χρησιμοποιούμενα τσιπ
- 64
- Χρόνος τοίχου
- 168 hours (7 days)
- Κατανάλωση ενέργειας
- 28.2 kW
- Προμηθευτής νέφους
- Google Cloud
"The model was trained for one week using 64 Tensor Processing Unit v5e chips on the Google Cloud platform"
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στο δικό σας υλικό, το οποίο αποφασίζει αν οποιαδήποτε από τις αριθμούς της κάρτας γραφικών σε αυτή τη σελίδα ισχύει.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Hosted access (no API)
- Κωδικός εκπαίδευσης
- Open source
Apache 2.0 https://github.com/google-deepmind/predictingthepast/tree/main/train
Πώς ταξινομείται
Ετικέτες το πηγαίο σύνολο δεδομένων εφαρμόζει όταν παρακολουθεί σημαντικά μοντέλα, και πόσο βέβαιο είναι στην είσοδο.
- Εγγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Contextualizing ancient texts with generative neural networks
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
Aeneas δημοσιεύθηκε από Google DeepMind,University of Nottingham,University of Warwick,Athens University of Economics and Business,Google,University of Oxford, στην χώρα καταγεγραμμένη ως United States of America, κατά τη διάρκεια July 2025. Η κατηγορία στην οποία υπάγεται ο εκδότης είναι industry,Academia,Academia,Academia,Industry,Academia.
Λειτουργεί στον τομέα της Vision, Multimodal, Language, και καταγράφεται ότι εκτελεί την εργασία του character recognition (OCR), Visual question answering.
Τα βάρη του δεν έχουν δημοσιευθεί ποτέ, οπότε μπορεί να προσεγγιστεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Τι χρειάστηκε για την κατασκευή του
Η παραγωγή του απαιτούσε αριθμητική που ανήλθε περίπου 2.3 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως Google TPU v5e. Αυτή η τιμή μετράει το κόστος παραγωγής του μοντέλου και δεν έχει σχέση με το πόσο γρήγορα απαντά.
Απαντήσεις
Aeneas — κοινές ερωτήσεις
Aeneas— για τί χρησιμοποιείται;
Λειτουργεί στον τομέα της Vision, Multimodal, Language, και καταγράφεται ως διαχείριση της εργασίας του character recognition (OCR), Visual question answering. Αυτές είναι οι περιοχές γύρω από τις οποίες σχεδιάστηκε; Περιγράφουν την πρόθεση παρά ένα αυστηρό όριο.
Aeneas— πόσο υπολογιστική ισχύς χρησιμοποιήθηκε για την εκπαίδευσή του;
Η εκπαίδευση κατανάλωσε περίπου 2.3 × 10²¹ FLOP, σε υλικό καταγεγραμμένο ως Google TPU v5e. Αυτό μετράει το κόστος παραγωγής του μοντέλου και δεν λέει τίποτα για το πόσο γρήγορα απαντά μόλις εκπαιδευτεί — η ταχύτητα συμπερασμάτων προέρχεται από τον δίαυλο μνήμης, όχι από τον προϋπολογισμό εκπαίδευσης.
Aeneas— ποια GPU χρειάζομαι για να το τρέξω;
Κανένα. Αυτό είναι ένα κλειστό μοντέλο - τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε δεν μπορεί να κατέβει ή να εκτελεστεί σε δικό σας υλικό σε καμία τιμή. Είναι προσβάσιμο μόνο μέσω του προμηθευτή του.
Aeneas— είναι ανοιχτού κώδικα;
Όχι. Τα βάρη του δεν έχουν δημοσιευθεί, οπότε υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
Aeneas— πόσες παραμέτρους έχει;
Δεν έχει δημοσιευθεί αριθμός παραμέτρων γι' αυτό, γι' αυτό και δεν εμφανίζεται καμία τιμή μνήμης ή ταχύτητας σε αυτή τη σελίδα.
Aeneas— ποιος το δημιούργησε;
Δημοσιεύθηκε από Google DeepMind,University of Nottingham,University of Warwick,Athens University of Economics and Business,Google,University of Oxford, βασισμένο σε United States of America, μία οργάνωση κατηγοριοποιημένη ως industry,Academia,Academia,Academia,Industry,Academia.
Aeneas— πότε κυκλοφόρησε;
Δημοσιεύθηκε σε July 2025.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Αν έχετε ήδη μια κάρτα και θέλετε να μάθετε τα πάντα για το τι θα τρέξει., ξεκινήστε από το υλικό αντ' αυτού.