TransformerXL + spectrum control
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
- University of California Los Angeles (UCLA),JD.com
- Tipo de Organización
- Academia,Industry
- País
- United States of America, China
- Publicado
- 11 March 2020
- Autores
- Lingxiao Wang, Jing Huang, Kevin Huang, Ziniu Hu, Guangtao Wang, Quanquan Gu
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
- 151M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 250
- Tamaño de lote
- 61,440
151M (Table 2) " On the large WikiText-103 dataset, we implement our method based on the state-of-the-art Transformer-XL based models (Dai et al., 2019). We follow the same settings reported in (Dai et al., 2019), and our implementation is based on the official code for Transformer-XL."
"For WikiText-103 dataset, we use four NVIDIA Tesla V100 GPU and set the batch size to be 40." unknown amount of epochs and training steps but they say they follow original Transformer-XL setup (400K steps + 16K warmup steps, 128 batch size, 384 sequence length) 400000*4*40*384 / 103000000 = 248 epochs
4*40*384
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
- 2.6 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting,Hardware
6 FLOP / parameter / token * 151000000 parameters * 103000000 tokens * 250 epochs = 2.33295e+19 FLOP 31330000000000 FLOP / sec / GPU [fp16] * 4 GPUs * 3152 sec per epoch * 250 epochs * 0.3 [assumed precision] = 2.9625648e+19 FLOP sqrt(2.33295e+19*2.9625648e+19) = 2.6289761e+19 FLOP 'speculative' confidence due to the assumption of the amount of epochs
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
- 4
- Tiempo de reloj
- 219 hours (9.1 days)
- Consumo de energía
- 2.5 kW
3152 sec per epoch (Table 7) * 250 epochs / 3600 sec/hour = 219 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.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Speculative
- Citas
- 90
- Datos de referencia
- TransformerXL + spectrum control
"We demonstrate that our spectrum control method outperforms the state-of-the-art Transformer-XL modeling for language model" " Our spectrum control method outperforms the latest state-of-the-art TransformerXL model on WikiText-103 dataset for language modeling; and obtains close to 1.5 BLEU improvement on IWSLT 2014 German-English translation task compared to the Transformer baseline model."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improving Neural Language Generation with Spectrum Control
- Última actualización
- 1 December 2025
Qué significan los números
Acerca de este modelo
TransformerXL + spectrum control fue publicado por University of California Los Angeles (UCLA),JD.com, en el país registrado como United States of America, durante March 2020. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
El entrenamiento consumió alrededor de 2.6 × 10¹⁹ 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.
El entrenamiento consumió un corpus de alrededor de 103,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
TransformerXL + spectrum control — preguntas comunes
TransformerXL + spectrum control— ¿Quién lo creó?
Fue publicado por University of California Los Angeles (UCLA),JD.com, basado en United States of America, una organización categorizada como academia,Industry.
TransformerXL + spectrum control— ¿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.
TransformerXL + spectrum control— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
TransformerXL + spectrum control— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.6 × 10¹⁹ 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.
TransformerXL + spectrum control— ¿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.
TransformerXL + spectrum control— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
TransformerXL + spectrum control— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 151M. 151M (Table 2) " On the large WikiText-103 dataset, we implement our method based on the state-of-the-art Transformer-XL based models (Dai et al., 2019). We follow the same settings reported in (Dai et al., 2019), and our implementation is based on the official code for Transformer-XL.". 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.