Memformer (4 encoder + 16 decoder)
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
- UC Davis,Westlake University,Facebook AI
- Tipo de Organización
- Academia,Academia,Industry
- País
- United States of America, China
- Publicado
- 14 October 2020
- Autores
- Qingyang Wu, Zhenzhong Lan, Kun Qian, Jing Gu, Alborz Geramifard, Zhou Yu
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
- 76.2M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 11.93
batch size 128 steps: 150000 sequence length: 128-1024
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
- 1.2 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
32400000000000 FLOP / second / GPU * 4 GPUs * 96 hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.3436928e+19 FLOP time could be given for all language modeling not just for this model -> likely to be an upper bound
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,NVIDIA GeForce RTX 2080 Ti 11GB
- Chips utilizados
- 4
- Tiempo de reloj
- 96 hours
"We trained our model on NVIDIA V100 16GB and 2080Ti 11GB. <..> The training for language modeling took approximately four days on four GPUs." 4 days = 96 hours
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
- Likely
- Citas
- 77
- Datos de referencia
- Memformer (4 encoder + 16 decoder)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Memformer: A Memory-Augmented Transformer for Sequence Modeling
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Memformer (4 encoder + 16 decoder) fue publicado por UC Davis,Westlake University,Facebook AI, en el país registrado como United States of America, durante October 2020. Sale de una organización categorizada como academia,Academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió alrededor de 1.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 16 GB,NVIDIA GeForce RTX 2080 Ti 11GB. 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 103,000,000 tokens de texto
Respuestas
Memformer (4 encoder + 16 decoder) — preguntas comunes
Memformer (4 encoder + 16 decoder)— ¿Quién lo creó?
Fue publicado por UC Davis,Westlake University,Facebook AI, basado en United States of America, una organización categorizada como academia,Academia,Industry.
Memformer (4 encoder + 16 decoder)— ¿cuándo fue lanzado?
Se publicó en October 2020. 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.
Memformer (4 encoder + 16 decoder)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. 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.
Memformer (4 encoder + 16 decoder)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla V100 DGXS 16 GB,NVIDIA GeForce RTX 2080 Ti 11GB. 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.
Memformer (4 encoder + 16 decoder)— ¿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.
Memformer (4 encoder + 16 decoder)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Memformer (4 encoder + 16 decoder)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 76.2M. 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.
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.