MetNet
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
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 24 March 2020
- Autores
- Casper Kaae Sønderby, Lasse Espeholt, Jonathan Heek, Mostafa Dehghani, Avital Oliver, Tim Salimans, Shreya Agrawal, Jason Hickey, Nal Kalchbrenner
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Earth science
- Tarea
- Weather forecasting
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
- 225M
- Datos de entrenamiento
- 7,045,120,000 tokens
" In total this setting for MetNet has 225M parameters."
"we randomly extracted 13,717 test and validation samples and kept increasing the training set size until we observed no over-fitting at 1.72 million training samples"
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
- 9.5 × 10¹⁸ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 7045120000 updates [see training dataset size notes, "Likely" confidence] * 225000000 parameters = 9.510912e+18 FLOP check: they report training in 256 TPUs (TPU v3 most likely) 9.510912e+18 FLOP / (123000000000000 FLOP / sec / chip * 256 TPUs * 3600 sec / hour * 0.3 [assumed utilization]) = 0.27 hours (seems to be an underestimation) -> 'Speculative' confidence
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
- Google TPU v3
- Chips utilizados
- 256
- Consumo de energía
- 235.4 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
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
- SOTA improvement
- Confianza de registro
- Speculative
- Citas
- 345
"MetNet improves upon the current operational NWP system HRRR for up to 8 hours of lead time" ... "Numerical Weather Prediction is the most successful framework to perform medium- and longrange (up to 6 days with high confidence) forecast to date (Bauer et al., 2015)." "MetNet outperforms HRRR up to 400 to 480 minutes and outperforms a strong optical flow method and the persistence baseline throughout the 480 minute range."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- MetNet: A Neural Weather Model for Precipitation Forecasting
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
MetNet fue publicado por Google, en el país registrado como United States of America, durante March 2020. La organización editora está clasificada como industry.
Funciona en el dominio de Earth science, y se registra como realizando la tarea de weather forecasting.
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 9.5 × 10¹⁸ FLOP, en hardware registrado como Google TPU v3. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 7,045,120,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
MetNet — preguntas comunes
MetNet— ¿Para qué se utiliza?
Funciona en el dominio de Earth science, y se registra como manejando la tarea de weather forecasting. 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.
MetNet— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.5 × 10¹⁸ FLOP, en hardware registrado como Google TPU v3. 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.
MetNet— ¿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.
MetNet— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
MetNet— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 225M. " In total this setting for MetNet has 225M parameters.". 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.
MetNet— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
MetNet— ¿cuándo fue lanzado?
Se publicó en March 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.