Transformer+Recurrent Windows of Context
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
- Toyota Technological Institute at Chicago,University of Chicago
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 16 August 2020
- Autores
- Davis Yoshida, Allyson Ettinger, Kevin Gimpel
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
- Modelo base
- GPT-2 (124M)
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
- 124M
- Datos de entrenamiento
- tokens
- Épocas
- 2
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
- 7.9 × 10²⁰ FLOP
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 1.5 × 10¹⁷ FLOP
base model compute (speculative confidence): 7.936e+20 FLOP fine-tune compute: 1.53264e+17 FLOP 7.936e+20 FLOP + 1.53264e+17 FLOP = 7.9375326e+20 FLOP
6 FLOP / token / parameter * 124000000 parameters * 103000000 tokens * 2 epochs = 1.53264e+17 FLOP
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
- Speculative
- Citas
- 7
- Datos de referencia
- Transformer+Recurrent Windows of Context
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Adding Recurrence to Pretrained Transformers for Improved Efficiency and Context Size
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Transformer+Recurrent Windows of Context fue publicado por Toyota Technological Institute at Chicago,University of Chicago, en el país registrado como United States of America, durante August 2020. 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.
Se basa en GPT-2 (124M). Por eso comparte la forma y el tamaño general del modelo base.
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
Entrenarlo tomó un presupuesto de computación de aproximadamente 7.9 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Transformer+Recurrent Windows of Context — preguntas comunes
Transformer+Recurrent Windows of Context— ¿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.
Transformer+Recurrent Windows of Context— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.9 × 10²⁰ FLOP. 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.
Transformer+Recurrent Windows of Context— ¿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.
Transformer+Recurrent Windows of Context— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Transformer+Recurrent Windows of Context— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 124M. 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.
Transformer+Recurrent Windows of Context— ¿Quién lo creó?
Fue publicado por Toyota Technological Institute at Chicago,University of Chicago, basado en United States of America, una organización categorizada como academia,Academia.
Transformer+Recurrent Windows of Context— ¿cuándo fue lanzado?
Se publicó en August 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.
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.