ERNIE-ViLG 2.0
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
- Baidu,Wuhan University of Science and Technology
- Tipo de Organización
- Industry,Academia
- País
- China
- Publicado
- 28 March 2023
- Autores
- Zhida Feng, Zhenyu Zhang, Xintong Yu, Yewei Fang, Lanxin Li, Xuyi Chen, Yuxiang Lu, Jiaxiang Liu, Weichong Yin, Shikun Feng, Yu Sun, Li Chen, Hao Tian, Hua Wu, Haifeng Wang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation
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
- 24B
- Datos de entrenamiento
- 11,141,120,000,000 tokens
"we train ERNIEViLG 2.0 and scale up the model size to 24B parameters."
"The training data consists of 170M image-text pairs, including publicly available English datasets like LAION [28] and a series of internal Chinese datasets. The image autoencoder is trained on the same set. For images with English captions, we translate them with Baidu Translate API3 to get the Chinese version."
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
- 4.7 × 10²² FLOP
- Cómo se estableció
- Hardware
312000000000000 FLOP / GPU / sec [A100 reported, bf16 assumed]* 432 hours * 3600 sec / hour * 320 GPUs * 0.3 [assumed utilization] = 4.658135e+22 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100
- Chips utilizados
- 320
- Tiempo de reloj
- 432 hours (18 days)
- Consumo de energía
- 255.2 kW
"We train ERNIE-ViLG 2.0 on 320 Tesla A100 GPUs for 18 days." 18*24=432
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
- API access
- Código de entrenamiento
- Unreleased
https://wenxin.baidu.com/ernie-vilg
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ERNIE-ViLG 2.0: Improving Text-to-Image Diffusion Model with Knowledge-Enhanced Mixture-of-Denoising-Experts
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
ERNIE-ViLG 2.0 fue publicado por Baidu,Wuhan University of Science and Technology, en el país registrado como China, durante March 2023. Sale de una organización categorizada como industry,Academia.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 4.7 × 10²² FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 11,141,120,000,000 tokens de texto
Respuestas
ERNIE-ViLG 2.0 — preguntas comunes
ERNIE-ViLG 2.0— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 24B. "we train ERNIEViLG 2.0 and scale up the model size to 24B parameters.". 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.
ERNIE-ViLG 2.0— ¿Quién lo creó?
Fue publicado por Baidu,Wuhan University of Science and Technology, basado en China, una organización categorizada como industry,Academia.
ERNIE-ViLG 2.0— ¿cuándo fue lanzado?
Se publicó en March 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.
ERNIE-ViLG 2.0— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
ERNIE-ViLG 2.0— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.7 × 10²² FLOP, en hardware registrado como NVIDIA A100. 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.
ERNIE-ViLG 2.0— ¿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.
ERNIE-ViLG 2.0— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.