PaLM-SayCan
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
- 16 August 2022
- Autores
- Michael Ahn, Anthony Brohan, Noah Brown, Yevgen Chebotar, Omar Cortes, Byron David, Chelsea Finn, Chuyuan Fu, Keerthana Gopalakrishnan, Karol Hausman, Alex Herzog, Daniel Ho, Jasmine Hsu, Julian Ibarz, Brian Ichter, Alex Irpan, Eric Jang, Rosario Jauregui Ruano, Kyle Jeffrey, Sally Jesmonth, Nikhil J Joshi, Ryan Julian, Dmitry Kalashnikov, Yuheng Kuang, Kuang-Huei Lee, Sergey Levine, Yao Lu, Linda…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics
- Tarea
- Robotic manipulation
- Enfoque
- Reinforcement learning
- 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
- tokens
540B from PaLM-540B.
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.
- Computación de ajuste fino
- 2.8 × 10²⁰ FLOP
I think PaLM-540B wasn't actually involved in training and the authors trained a separate RL model. "The RL model is trained using 16 TPUv3 chips and for about 100 hours, as well as a pool of 3000 CPU workers to collect episodes and another 3000 CPU workers to compute target Q-values." Ignoring CPU calculations: 1600 hours * 3600 * 123 teraflops * 0.4 (assumed utilization) = 2.83e20
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 v3
- Chips utilizados
- 16
- Tiempo de reloj
- 100 hours
- Consumo de energía
- 14.4 kW
The RL model is trained using 16 TPUv3 chips and for about 100 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
- Open source
We open source a version of SayCan that works with a simulated tabletop environment. [tabletop saycan] https://github.com/google-research/google-research/tree/master/saycan License: Apache 2.0
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo de Fundación
- Yes
- Probablemente por encima de 10²³ FLOP
- Yes
- Confianza de registro
- Likely
- Citas
- 3,081
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Do As I Can, Not As I Say: Grounding Language in Robotic Affordances
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
PaLM-SayCan fue publicado por Google, en el país registrado como United States of America, durante August 2022. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Robotics, y se registra como realizando la tarea de robotic manipulation.
Su punto de partida fue un modelo base existente, PaLM (540B). La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
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.
Respuestas
PaLM-SayCan — preguntas comunes
PaLM-SayCan— ¿cuándo fue lanzado?
Se publicó en August 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.
PaLM-SayCan— ¿Para qué se utiliza?
Funciona en el dominio de Robotics, y se registra como manejando la tarea de robotic manipulation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
PaLM-SayCan— ¿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.
PaLM-SayCan— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
PaLM-SayCan— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 540B. 540B from PaLM-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.
PaLM-SayCan— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
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.