LIMoE-H/14
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
- 6 June 2022
- Autores
- Basil Mustafa, Carlos Riquelme, Joan Puigcerver, Rodolphe Jenatton, Neil Houlsby
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Vision, Language
- Tarea
- Image classification
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
- 5.6B
- Datos de entrenamiento
- 4,575,625,612,000 tokens
Section 1: "We scale this up to a large 5.6B parameter LIMoE-H/14"
"By default, all models are trained on paired image-text data used in [16], consisting of 3.6B images and alt-texts scraped from the web. For large LIMoE-H/14 experiment, we also co-train with JFT-4B [17]." "The largest scale model is trained at batch size 21502, with resolution 288 and text sequence length 16." "The model was trained for 700k steps pre-cooldown. There was one cooldown of length 125k steps from the final step, and 3 of length 40k steps starting from step 650k" 21502*288*70000…
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
- 1.8 × 10²² FLOP
- Cómo se estableció
- Operation counting
Section 3.2: "The model contains 5.6B parameters in total, but only applies 675M parameters per token" From Section A.3, "batch size 21502 with resolution 288 and text sequence length16". "The model was trained for 700k steps pre-cooldown. There was one cooldown of length 125k steps from the final step, and 3 of length 40k steps starting from step 650k". Patch size 14 for images. Assume C = 6*N*D. C = 6*675e6*21.5e3*1e6*(16+(288/14)**2)/2 = 1.8e22 This is broadly consistent with ViT-H/14's c…
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 v2,Google TPU v3,Google TPU v4
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.
- Confianza de registro
- Confident
- Citas
- 317
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Multimodal Contrastive Learning with LIMoE: the Language-Image Mixture of Experts
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
LIMoE-H/14 fue publicado por Google, en el país registrado como United States of America, durante June 2022. La organización editora está clasificada como industry.
Funciona en el dominio de Multimodal, Vision, Language, y se registra como realizando la tarea de image classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.8 × 10²² FLOP, en hardware registrado como Google TPU v2,Google TPU v3,Google TPU v4. 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 4,575,625,612,000 tokens de texto
Respuestas
LIMoE-H/14 — preguntas comunes
LIMoE-H/14— ¿cuándo fue lanzado?
Se publicó en June 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.
LIMoE-H/14— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Vision, Language, y se registra como manejando la tarea de image classification. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
LIMoE-H/14— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.8 × 10²² FLOP, en hardware registrado como Google TPU v2,Google TPU v3,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.
LIMoE-H/14— ¿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.
LIMoE-H/14— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
LIMoE-H/14— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.6B. Section 1: "We scale this up to a large 5.6B parameter LIMoE-H/14". 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.
LIMoE-H/14— ¿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.