ViT-G/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
- Google Brain,Google Research
- Tipo de Organización
- Industry,Industry
- País
- United States of America
- Publicado
- 8 June 2021
- Autores
- X Zhai, A Kolesnikov, N Houlsby, L Beyer
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image classification
- Enfoque
- Self-supervised learning
- Formato numérico
- BF16
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
- 1.8B
- Datos de entrenamiento
- 3,000,000,000 tokens
- Épocas
- 54.6
- Tamaño de lote
- 32,768
Table 2 of paper
"For this study, we use the proprietary JFT-3B dataset, a larger version of the JFT-300M dataset used in many previous works on large-scale computer vision models [31, 18, 11]. This dataset consists of nearly 3 billion images, annotated with a class-hierarchy of around 30k labels via a semi-automatic pipeline" Epochs: 5M steps (Table 11) * 32768 (batch size) / 3B = 54.6 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
- 5.9 × 10²² FLOP
- Cómo se estableció
- Hardware,Operation counting
Digitizing Figure 9 indicates training used 27,200 TPUv3 core-days. TPUv3 is 123 teraflop/s per chip, 2 cores per chip. 1.23e14 * (1/2) * 27,200 * 24 * 3600 * 0.4 = 5.78e22 Alternatively, Table 2 indicates 965.3e9 FLOPs per forward pass on a 224^2 image. Table 4 indicates 5 million steps at a (normalized) batch size of 4096, and total flops including backward pass would be 3x the FLOPs from forward passes alone, so we get: 4096 * 5e6 * 965.3e9 * 3 = 5.93e22 (Note that actual batch size appear…
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
- 2,048
- Consumo de energía
- 1.9 MW
- Costo de cómputo
- $3,848
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
About the weights: https://twitter.com/giffmana/status/1402507421029916672 About the code: Apache 2.0 https://github.com/google-research/big_vision/blob/main/big_vision/configs/proj/scaling_laws/train_vit_g.py
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 1,393
"we successfully train a ViT model with two billion parameters, which attains a new state-of-the-art on ImageNet of 90.45% top-1 accuracy"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Scaling Vision Transformers
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
ViT-G/14 fue publicado por Google Brain,Google Research, en el país registrado como United States of America, durante June 2021. La organización editora está clasificada como industry,Industry.
Funciona en el dominio de Vision, 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.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 5.9 × 10²² FLOP, en hardware registrado como Google TPU v3. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 3,000,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
ViT-G/14 — preguntas comunes
ViT-G/14— ¿cuándo fue lanzado?
Se publicó en June 2021. 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.
ViT-G/14— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image classification. 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.
ViT-G/14— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.9 × 10²² FLOP, en hardware registrado como Google TPU v3. 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.
ViT-G/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.
ViT-G/14— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ViT-G/14— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1.8B. Table 2 of paper. 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.
ViT-G/14— ¿Quién lo creó?
Fue publicado por Google Brain,Google Research, basado en United States of America, una organización categorizada como industry,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.