FFN SwiGLU
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
- 14 February 2020
- Autores
- Noam Shazeer
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, Question answering
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
- 220M
- Datos de entrenamiento
- 50,600,083,456 tokens
"We use the same code base, model architecture, and training task as the base model from [Raffel et al.,2019]. The encoder and decoder each consist of 12 layers, with dmodel = 768. For the attention layers, h = 12 and dk = dv = 64. The FFN layers have hidden size df f = 3072." [Raffel et al.,2019]: "Specifically, both the encoder and decoder consist of 12 blocks (each block comprising self-attention, optional encoder-decoder attention, and a feed-forward network). The feed-forward networks in e…
pre-training: "Identically to [Raffel et al., 2019], we pre-train for 524,288 steps on the span-filling objective on the C4 dataset. Each training batch consists of 128 examples, each of which has an input of 512 tokens and an output of 114 tokens" 524288*128*(512+114) = 42010148864 fine-tuning: "Fine-tuning consists of 131072 steps <..>, the input sequences for each step have a combined length of approximately 65,536 tokens." 131072*65536 = 8589934592 42010148864+8589934592 = 50600083456
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
- 3.4 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware,Operation counting
6 FLOP/parameter/token * 220000000 parameters * 50600083456 tokens = 66792110161920000000 FLOP (10^19) 45000000000000 FLOP/GPU/sec * 21.85 hours * 3600 sec / hour * 16 GPUs * 0.3 [assumed utilization] = 16990560000000002000 FLOP (10^19) sqrt(66792110161920000000*16990560000000002000) = 3.3687317e+19
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 v2
- Chips utilizados
- 16
- Tiempo de reloj
- 22 hours
- Consumo de energía
- 9.2 kW
"Each training step took approximately 0.15 seconds on a 32-core TPUv2 cluster" -> 16 chips "we pre-train for 524,288 steps" 524288*0.15/3600 ~ 21.85 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
- Historical significance
- Confianza de registro
- Confident
the paper introduced SwiGLU
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- GLU Variants Improve Transformer
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
FFN SwiGLU fue publicado por Google, en el país registrado como United States of America, durante February 2020. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling, Question answering.
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.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 3.4 × 10¹⁹ FLOP, en hardware registrado como Google TPU v2. 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 50,600,083,456 tokens de texto
Su criterio de inclusión: historical significance.
Respuestas
FFN SwiGLU — preguntas comunes
FFN SwiGLU— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
FFN SwiGLU— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 220M. "We use the same code base, model architecture, and training task as the base model from [Raffel et al.,2019]. The encoder and decoder each consist of 12 layers, with dmodel = 768. For the attention layers, h = 12 and dk = dv = 64. The FFN layers have hidden size df f = 3072." [Raffel et al.,2019]: "Specifically, both the encoder and decoder consist of 12 blocks (each block comprising self-attention, optional encoder-decoder attention, and a feed-forward network). The feed-forward networks in each block consist of a dense layer with an output dimensionality of dff = 3072 followed by a ReLU nonlinearity and another dense layer. The “key” and “value” matrices of all attention mechanisms have an inner dimensionality of dkv = 64 and all attention mechanisms have 12 heads. All other sub-layers and embeddings have a dimensionality of dmodel = 768. In total, this results in a model with about 220 million 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.
FFN SwiGLU— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
FFN SwiGLU— ¿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.
FFN SwiGLU— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling, Question answering. 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.
FFN SwiGLU— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.4 × 10¹⁹ FLOP, en hardware registrado como Google TPU v2. 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.
FFN SwiGLU— ¿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.
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.