Decaying Fast Weights Transformer (WT-103)
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
- Jenni
- Tipo de Organización
- Industry
- País
- Singapore
- Publicado
- 9 October 2022
- Autores
- Huanru Henry Mao
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 modeling
- Modelo base
- Transformer (Adaptive Input Embeddings) WT103
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
- 242M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 192.12
"We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M parameters"
"For both models, we trained with a batch size of 26 for 100,000 iterations. "
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
- 7.9 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
- Computación de ajuste fino
- 5.7 × 10¹⁸ FLOP
Pre-trained model is Transformer (Adaptive Input Embeddings) which was 7.3e19. This is from 8 * 67 V100-hours. fine-tuning: "Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% = 5.7e18 FLOP" 5.7e18 + 7.3e19 is 7.9e19
"Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% 5.7e18 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 A40 PCIe
- Chips utilizados
- 1
- Tiempo de reloj
- 35 hours
- Consumo de energía
- 330 W
"Training was performed on a single NVIDIA A40 GPU for 35 hours."
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
They have CUDA kernels, don't see pretrain code: https://github.com/jenni-ai/T2FW
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
- Citas
- 30
- Datos de referencia
- Decaying Fast Weights Transformer
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Fine-Tuning Pre-trained Transformers into Decaying Fast Weights
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Decaying Fast Weights Transformer (WT-103) fue publicado por Jenni, en el país registrado como Singapore, durante October 2022. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
En lugar de ser entrenado desde cero, se deriva de Transformer (Adaptive Input Embeddings) WT103. 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.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 7.9 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A40 PCIe. 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 103,000,000 tokens de texto
Respuestas
Decaying Fast Weights Transformer (WT-103) — preguntas comunes
Decaying Fast Weights Transformer (WT-103)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Decaying Fast Weights Transformer (WT-103)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.9 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A40 PCIe. 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.
Decaying Fast Weights Transformer (WT-103)— ¿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.
Decaying Fast Weights Transformer (WT-103)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Decaying Fast Weights Transformer (WT-103)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 242M. "We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M 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.
Decaying Fast Weights Transformer (WT-103)— ¿Quién lo creó?
Fue publicado por Jenni, basado en Singapore, una organización categorizada como industry.
Decaying Fast Weights Transformer (WT-103)— ¿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.
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.