TaLK Convolution
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
- Carleton University
- Tipo de Organización
- Academia
- País
- Canada
- Publicado
- 8 February 2020
- Autores
- Vasileios Lioutas, Yuhong Guo
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, Translation, Text summarization
- Formato numérico
- FP16
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
- 240M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 182
- Tamaño de lote
- 65,536
Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4."
" We replicated their setup and partition the training data into blocks of 512 contiguous tokens" " same setup as in Baevski & Auli (2019)" https://arxiv.org/abs/1809.10853 in that paper they trained for 286k steps in batches of 65,536 tokens. 286000*65536 / 103000000= 182 epochs (same as in as in Baevski & Auli (2019))
same setup as in Baevski & Auli (2019)
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
- 2.7 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 240000000 parameters * 286000 steps * 65536 tokens per batch = 2.6990346e+19 FLOP
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 GeForce RTX 2080 Ti 11GB
- Chips utilizados
- 8
- Consumo de energía
- 4.1 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
MIT, code and weights (though this repo is for translation not WT-103): https://github.com/lioutasb/TaLKConvolutions?tab=readme-ov-file
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
- Likely
- Citas
- 30
- Datos de referencia
- TaLK Convolution
"[We] set a new state-of-the-art result on the IWSLT De-En and CNN-DailyMail datasets"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Time-aware Large Kernel Convolutions
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
TaLK Convolution fue publicado por Carleton University, en el país registrado como Canada, durante February 2020. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling, Translation, Text summarization.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió alrededor de 2.7 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce RTX 2080 Ti 11GB. 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
Su criterio de inclusión: sOTA improvement.
Respuestas
TaLK Convolution — preguntas comunes
TaLK Convolution— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.7 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce RTX 2080 Ti 11GB. 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.
TaLK Convolution— ¿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.
TaLK Convolution— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
TaLK Convolution— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 240M. Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4.". 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.
TaLK Convolution— ¿Quién lo creó?
Fue publicado por Carleton University, basado en Canada, una organización categorizada como academia.
TaLK Convolution— ¿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.
TaLK Convolution— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling, Translation, Text summarization. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.