T2R 75% + Pretrain (WT-103)
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- University of Washington,Microsoft,DeepMind
- Tipo de organización
- Academia,Industry,Industry
- País
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Publicado
- 24 March 2021
- Autores
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
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 utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 668.9M
- Datos de entrenamiento
- tokens
- Épocas
- 34.47
Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024…
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 1.4 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting,Hardware
Table 4, "We found that we could speed up training by reducing the warm-up steps, total update steps, maximum and minimum rates, and batch size to 8K steps, 142K steps, 5 ⋅ 10−6, 0.5, and 25K tokens " 142K updates, 25k token batches Training compute: 6*668893184*142000*25000=1.4247425e+19 GPU hour estimate: 95*60*60*125000000000000*0.3=1.2825e+19 Geometric mean: 13517515512289972224 Epochs: 142000*25000/103000000=34.4660194175
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA V100
- Chips usados
- 8
- Wall-clock time
- 12 hours
- Consumo de energía
- 4.9 kW
95h GPU time / 8 GPUs ~11.8h wall clock time
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Confident
- Citations
- 94
- Benchmark data
- T2R 75% + Pretrain
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Finetuning Pretrained Transformers into RNNs
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
T2R 75% + Pretrain (WT-103) was published by University of Washington,Microsoft,DeepMind, in United States of America, in March 2021. The organisation is categorised as academia,Industry,Industry.
It works in Language, and is recorded as doing language modeling.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
El entrenamiento consumió aproximadamente 1.4 × 10¹⁹ FLOP, en NVIDIA V100. Esa cifra describe el costo de crearlo y no tiene relación con la rapidez con la que genera texto.
Respuestas
T2R 75% + Pretrain (WT-103) — Preguntas frecuentes
When was T2R 75% + Pretrain (WT-103) released?
T2R 75% + Pretrain (WT-103) was published in March 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is T2R 75% + Pretrain (WT-103) used for?
T2R 75% + Pretrain (WT-103) works in Language, and is recorded as handling language modeling. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train T2R 75% + Pretrain (WT-103)?
Around 1.4 × 10¹⁹ FLOP, on NVIDIA V100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run T2R 75% + Pretrain (WT-103)?
None. T2R 75% + Pretrain (WT-103) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is T2R 75% + Pretrain (WT-103) open source?
No. T2R 75% + Pretrain (WT-103) has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does T2R 75% + Pretrain (WT-103) have?
T2R 75% + Pretrain (WT-103) has 668.9M parameters. Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024=266240000 Total: 402653184+266240000=668893184. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created T2R 75% + Pretrain (WT-103)?
T2R 75% + Pretrain (WT-103) was published by University of Washington,Microsoft,DeepMind, based in United States of America, categorised as academia,Industry,Industry.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.