Feedback Transformer
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
- LORIA,University of Lorraine,Facebook AI Research
- Tipo de Organización
- Academia,Academia,Industry
- País
- France, United States of America
- Publicado
- 21 February 2020
- Autores
- Angela Fan, Thibaut Lavril, Edouard Grave, Armand Joulin, Sainbayar Sukhbaatar
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
- 126M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 267.23
- Tamaño de lote
- 131,072
Table 3 shows 126M. There is another instance of the Feedback Transformer mentioned in Table 9 with 139M parameters.
"The models are trained for 200k steps and the finetuned for additional 10k steps." from Table 9 (describes 139M model) batch size 512 sequence length 256 256*512*210000 / 103000000 = 267 epochs "speculative" confidence since there is no clear description of the 126M model and numbers are assumed based on 139M model description
256*512
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
- 7.7 × 10¹⁸ FLOP
- Cómo se estableció
- Operation counting,Hardware
6 FLOP / token / parameter * 126*10^6 parameters * 256 tokens per sequences * 512 sequences per batch * 210000 steps = 2.0808991e+19 FLOP assuming V100 GPU fp16: 31330000000000 FLOP/sec/GPU * 1 GPU * 84 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.8422576e+18 FLOP sqrt(2.0808991e+19*2.8422576e+18) = 7.690547e+18 FLOP ___________ in the Algorithmic progress paper they used estimation of 4.41e+19 FLOP also with low confidence
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 84 hours
" Our Feedback architecture takes 3.5 days to train" 3.5*24 = 84 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
- 41
- Datos de referencia
- Feedback Transformer
"As shown in Table 4, the Feedback Transformer model achieves a new SOTA performance (on Enwiki8) of 0.96 bit-per-byte despite its small size."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Addressing Some Limitations of Transformers with Feedback Memory
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Feedback Transformer fue publicado por LORIA,University of Lorraine,Facebook AI Research, en el país registrado como France, durante February 2020. La categoría en la que se encuentra el editor es academia,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 7.7 × 10¹⁸ FLOP. 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
Su criterio de inclusión: sOTA improvement.
Respuestas
Feedback Transformer — preguntas comunes
Feedback Transformer— ¿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.
Feedback Transformer— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 7.7 × 10¹⁸ 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.
Feedback Transformer— ¿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.
Feedback Transformer— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Feedback Transformer— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 126M. Table 3 shows 126M. There is another instance of the Feedback Transformer mentioned in Table 9 with 139M 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.
Feedback Transformer— ¿Quién lo creó?
Fue publicado por LORIA,University of Lorraine,Facebook AI Research, basado en France, una organización categorizada como academia,Academia,Industry.
Feedback Transformer— ¿cuándo fue lanzado?
Se publicó en February 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.