Transformer-XL + RMT
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
- Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute
- Tipo de Organización
- Academia,Research collective
- País
- Russia
- Publicado
- 14 July 2022
- Autores
- Aydar Bulatov, Yuri Kuratov, Mikhail S. Burtsev
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
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
- 247M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 15
"WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)"
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
- 6.8 × 10¹⁸ FLOP
- Cómo se estableció
- Operation counting,Hardware
6 FLOP / parameter / token * 200000 steps * 128 tokens per batch * 60 batches per step * 247000000 parameters= 2.276352e+18 FLOP 312000000000000 FLOP / sec / GPU * 2 GPUs * 30 hours [could be less, upper bound] * 3600 sec / hour * 0.3 [assumed utilization] = 2.02176e+19 FLOP sqrt(2.276352e+18*2.02176e+19) = 6.7839792e+18 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 SXM4 80 GB
- Chips utilizados
- 2
- Tiempo de reloj
- 30 hours
- Consumo de energía
- 1.6 kW
In most of the WikiText-103 experiments, we used 2 NVIDIA A100 80Gb GPUs, training time varied from 10 to 30 hours depending on sequence length, memory size, and number of BPTT unrolls
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
Apache 2: https://github.com/booydar/LM-RMT
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
- Speculative
- Citas
- 183
- Datos de referencia
- Transformer-XL + RMT
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Recurrent Memory Transformer
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
Transformer-XL + RMT fue publicado por Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, en el país registrado como Russia, durante July 2022. La organización editora está clasificada como academia,Research collective.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6.8 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. 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
Transformer-XL + RMT — preguntas comunes
Transformer-XL + RMT— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Transformer-XL + RMT— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 247M. "WikiText-103 experiments use 16-layer Transformers (10 heads, 410 hidden size, 2100 intermediate FF)". 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.
Transformer-XL + RMT— ¿Quién lo creó?
Fue publicado por Moscow Institute of Physics and Technology,AIRI Artificial Intelligence Research Institute, basado en Russia, una organización categorizada como academia,Research collective.
Transformer-XL + RMT— ¿cuándo fue lanzado?
Se publicó en July 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.
Transformer-XL + RMT— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Transformer-XL + RMT— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.8 × 10¹⁸ FLOP, en hardware registrado como NVIDIA A100 SXM4 80 GB. 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.
Transformer-XL + RMT— ¿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.
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.