DALL-E
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
- OpenAI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 5 January 2021
- Autores
- Aditya Ramesh, Mikhail Pavlov, Gabriel Goh, Scott Gray, Chelsea Voss, Alec Radford, Mark Chen, Ilya Sutskever
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Text-to-image, Image generation
- Enfoque
- Self-supervised learning
- Formato numérico
- FP16
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
- 12B
- Datos de entrenamiento
- 320,000,000,000 tokens
- Épocas
- 1.76
DALL·E is a 12-billion parameter version of GPT-3 trained to generate images from text descriptions
"To scale up to 12-billion parameters, we created a dataset of a similar scale to JFT-300M (Sun et al., 2017) by collecting 250 million text-images pairs from the internet. " number of epochs: 1024 batch size * 430,000 updates / 250,000,000 = 1.76
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
- 4.7 × 10²² FLOP
- Cómo se estableció
- Third-party estimation
source: https://lair.lighton.ai/akronomicon/ archived: https://github.com/lightonai/akronomicon/tree/main/akrodb VAE training "on 64 16 GB NVIDIA V100 GPUs, with a per-GPU batch size of 8, resulting in a total batch size of 512. It is trained for a total of 3,000,000 updates." Transformer training: "We trained the model using 1024, 16 GB NVIDIA V100 GPUs and a total batch size of 1024, for a total of 430,000 updates."; "We concatenate up to 256 BPE-encoded text tokens with the 32 × 32 = 1024 …
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 Tesla V100 DGXS 16 GB
- Chips utilizados
- 1,024
- Consumo de energía
- 519.7 kW
- Costo de cómputo
- $125,819
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
- API access
- 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.
- Por qué se rastrea
- Significant use,Highly cited,Historical significance
- Confianza de registro
- Likely
- Citas
- 6,403
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Zero-Shot Text-to-Image Generation
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
DALL-E fue publicado por OpenAI, en el país registrado como United States of America, durante January 2021. La organización editora está clasificada como industry.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de text-to-image, Image generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 4.7 × 10²² FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 16 GB. 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 320,000,000,000 tokens de texto
Su criterio de inclusión: significant use,Highly cited,Historical significance.
Respuestas
DALL-E — preguntas comunes
DALL-E— ¿cuándo fue lanzado?
Se publicó en January 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.
DALL-E— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de text-to-image, Image generation. 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.
DALL-E— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.7 × 10²² FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 16 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.
DALL-E— ¿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.
DALL-E— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
DALL-E— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 12B. DALL·E is a 12-billion parameter version of GPT-3 trained to generate images from text descriptions. 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.
DALL-E— ¿Quién lo creó?
Fue publicado por OpenAI, 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.