U-PaLM (540B)
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
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 20 October 2022
- Autores
- Yi Tay, Jason Wei, Hyung Won Chung, Vinh Q. Tran, David R. So, Siamak Shakeri, Xavier Garcia, Huaixiu Steven Zheng, Jinfeng Rao, Aakanksha Chowdhery, Denny Zhou, Donald Metzler, Slav Petrov, Neil Houlsby, Quoc V. Le, Mostafa Dehghani
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language generation, Language modeling/generation, Question answering, Mathematical reasoning, Quantitative reasoning
- Modelo base
- PaLM (540B)
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
- 540B
- Datos de entrenamiento
- 1,300,000,000 tokens
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
- 2.5 × 10²⁴ FLOP
- Cómo se estableció
- Comparison with other models
- Computación de ajuste fino
- 4 × 10²¹ FLOP
"The total number of extra tokens we train on for the 540B model is approximately 1.3 Billion which constitutes 0.16% extra computation... Training an U-PaLM 540B model only consumes 512 TPUv4 chips and finishes in about 5 days which is considered to be lightweight." original PaLM was 2.527e+24. adding 0.16% is ~2.53e24
"The total number of extra tokens we train on for the 540B model is approximately 1.3 Billion which constitutes 0.16% extra computation... Training an U-PaLM 540B model only consumes 512 TPUv4 chips and finishes in about 5 days which is considered to be lightweight." PaLM was 2.5e24 0.16% of that is 4e21
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
- Google TPU v4
- Chips utilizados
- 512
- Horas de chip
- 61,440
- Tiempo de reloj
- 120 hours
- Consumo de energía
- 348.3 kW
5 days
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.
- Modelo Frontier
- Yes
- Probablemente por encima de 10²³ FLOP
- Yes
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 76
Figure 3 "We show that U-PaLM 540B outperforms PaLM 540B on 21 out of 26 tasks. Given that PaLM is the SOTA language model on these tasks, this makes U-PaLM the new state-of-the-art on these tasks." performance improvement equivalent to 2x training efficiency: "Impressively, at 540B scale, we show an approximately 2x computational savings rate where U-PaLM achieves the same performance as the final PaLM 540B model at around half its computational budget "
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Transcending Scaling Laws with 0.1% Extra Compute
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
U-PaLM (540B) fue publicado por Google, en el país registrado como United States of America, durante October 2022. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language generation, Language modeling/generation, Question answering, Mathematical reasoning, Quantitative reasoning.
Su punto de partida fue un modelo base existente, PaLM (540B). Por eso comparte la forma y el tamaño general del modelo base.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 2.5 × 10²⁴ FLOP, en hardware registrado como Google TPU v4. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 1,300,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
U-PaLM (540B) — preguntas comunes
U-PaLM (540B)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 540B. 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.
U-PaLM (540B)— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
U-PaLM (540B)— ¿cuándo fue lanzado?
Se publicó en October 2022. 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.
U-PaLM (540B)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language generation, Language modeling/generation, Question answering, Mathematical reasoning, Quantitative reasoning. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
U-PaLM (540B)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.5 × 10²⁴ FLOP, en hardware registrado como Google TPU v4. 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.
U-PaLM (540B)— ¿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.
U-PaLM (540B)— ¿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.