NMST+GPT-2
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
- New York University (NYU)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 3 October 2022
- Autores
- Eugene Choi, Cheolhyoung Lee, Kyunghyun Cho
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
- GPT-2 (124M)
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
- 124M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 4.97
124M (the same as GPT-2)
500, 000 steps "For computational efficiency, we bucket the dataset into sequences of similar lengths, and each batch contains a maximum of 1,024 total tokens." 500000*1024 = 512 000 000 updates 512 000 000 / 103 000 000 = 4.97087378641 epochs
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
- 1.2 × 10²⁰ FLOP
- Computación de ajuste fino
- 3.8 × 10¹⁷ FLOP
assuming that GPT-2 (124M) compute is similar to GPT-2 (117M) compute, which is 120000000000000000000 FLOP = 1.2 × 10^20 FLOP 120000000000000000000 FLOP + 380928000000000000 FLOP = 1.204×10^20 FLOP
6 FLOP / token / parameter * 512 000 000 tokens * 124 000 000 parameters = 3.80928 × 10^17 FLOP
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
- Open source
BSD 3-Clause License. Looks like just training code https://github.com/nyu-dl/non-monotonic-self-terminating-lm
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
- Datos de referencia
- NMST+GPT-2
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A Non-monotonic Self-terminating Language Model
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
NMST+GPT-2 fue publicado por New York University (NYU), en el país registrado como United States of America, durante October 2022. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Su punto de partida fue un modelo base existente, GPT-2 (124M). 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
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.2 × 10²⁰ FLOP. 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 103,000,000 tokens de texto
Respuestas
NMST+GPT-2 — preguntas comunes
NMST+GPT-2— ¿Quién lo creó?
Fue publicado por New York University (NYU), basado en United States of America, una organización categorizada como academia.
NMST+GPT-2— ¿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.
NMST+GPT-2— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
NMST+GPT-2— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10²⁰ 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.
NMST+GPT-2— ¿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.
NMST+GPT-2— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
NMST+GPT-2— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 124M. 124M (the same as GPT-2). 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.
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.