Subformer (122M)
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
- National Institute of Advanced Industrial Science and Technology (AIST),University of Tokyo
- Tipo de Organización
- Academia,Academia
- País
- Japan
- Publicado
- 1 January 2021
- Autores
- Machel Reid, Edison Marrese-Taylor, Yutaka Matsuo
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
- 122M
- Datos de entrenamiento
- tokens
- Épocas
- 70.29
- Tamaño de lote
- 24,576
122M (Table 5)
"we use 8 GPUs with 3072 tokens per GPU and an update frequency of 3" "warming up the learning rate to 1.0 for 16K iterations, and then annealing for 270K iterations" 8*3072*286000/100000000 = 70.29 epochs
8*3072
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
- 5.1 × 10¹⁸ FLOP
- Cómo se estableció
- Operation counting
6 FLOP/token/parameter * 122000000 parameters * 8 GPUs * 3072 tokens per batch per GPU * 286000 steps = 5.1450348e+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 V100
- Chips utilizados
- 8
- Consumo de energía
- 4.9 kW
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
code, but not for language modeling: https://github.com/machelreid/subformer/blob/master/README.md
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
- 60
- Datos de referencia
- Subformer (122M)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Subformer: Exploring Weight Sharing for Parameter Efficiency in Generative Transformers
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
Subformer (122M) fue publicado por National Institute of Advanced Industrial Science and Technology (AIST),University of Tokyo, en el país registrado como Japan, durante January 2021. La categoría en la que se encuentra el editor es academia,Academia.
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 5.1 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Subformer (122M) — preguntas comunes
Subformer (122M)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.1 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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.
Subformer (122M)— ¿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.
Subformer (122M)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Subformer (122M)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 122M. 122M (Table 5). 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.
Subformer (122M)— ¿Quién lo creó?
Fue publicado por National Institute of Advanced Industrial Science and Technology (AIST),University of Tokyo, basado en Japan, una organización categorizada como academia,Academia.
Subformer (122M)— ¿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.
Subformer (122M)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.