LIMA
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Meta AI,Carnegie Mellon University (CMU),University of Southern California,Tel Aviv University
- Tipo de Organización
- Industry,Academia,Academia,Academia
- País
- United States of America, Israel
- Publicado
- 18 May 2023
- Autores
- Chunting Zhou, Pengfei Liu, Puxin Xu, Srini Iyer, Jiao Sun, Yuning Mao, Xuezhe Ma, Avia Efrat, Ping Yu, Lili Yu, Susan Zhang, Gargi Ghosh, Mike Lewis, Luke Zettlemoyer, Omer Levy
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Chat, Language modeling/generation
- Modelo base
- LLaMA-65B
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 65B
- Datos de entrenamiento
- 685,300 tokens
- Épocas
- 15
"We train LIMA (Less Is More for Alignment) using the following protocol. Starting from LLaMa 65B [Touvron et al., 2023], we fine-tune on our 1,000-example alignment training set," according to page 4 of https://arxiv.org/pdf/2305.11206.
The total amount of training data is roughly 750,000 tokens, split over exactly 1,000 sequences.
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 5.5 × 10²³ FLOP
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 4.4 × 10²⁰ FLOP
Finetune: 4.39e18 FLOP Base model: 5.5e+23 FLOP Total: 4.39e18+5.5e+23=5.5e+23 FLOP
“The total amount of training data is roughly 750,000 tokens, split over exactly 1,000 sequences,” according to page 2 of https://arxiv.org/pdf/2305.11206. “We train LIMA (Less Is More for Alignment) using the following protocol. Starting from LLaMa 65B [Touvron et al., 2023], we fine-tune on our 1,000-example alignment training set. To differentiate between each speaker (user and assistant), we introduce a special end-of-turn token (EOT) at the end of each utterance; this token plays the same …
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Confianza de registro
- Confident
- Citas
- 1,274
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- LIMA: Less Is More for Alignment
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
LIMA fue publicado por Meta AI,Carnegie Mellon University (CMU),University of Southern California,Tel Aviv University, en el país registrado como United States of America, durante May 2023. La categoría en la que se encuentra el editor es industry,Academia,Academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de chat, Language modeling/generation.
Su punto de partida fue un modelo base existente, LLaMA-65B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 5.5 × 10²³ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 685,300 tokens de texto
Respuestas
LIMA — preguntas comunes
LIMA— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de chat, Language modeling/generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
LIMA— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.5 × 10²³ FLOP. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
LIMA— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
LIMA— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
LIMA— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 65B. "We train LIMA (Less Is More for Alignment) using the following protocol. Starting from LLaMa 65B [Touvron et al., 2023], we fine-tune on our 1,000-example alignment training set," according to page 4 of https://arxiv.org/pdf/2305.11206. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
LIMA— ¿Quién lo creó?
Fue publicado por Meta AI,Carnegie Mellon University (CMU),University of Southern California,Tel Aviv University, basado en United States of America, una organización categorizada como industry,Academia,Academia,Academia.
LIMA— ¿cuándo fue lanzado?
Se publicó en May 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.