Long-range sequence Compressive Transformers
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
- DeepMind
- Tipo de Organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 13 November 2019
- Autores
- Jack W. Rae, Anna Potapenko, Siddhant M. Jayakumar, Timothy P. Lillicrap
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.
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 328.32
- Tamaño de lote
- 65,536
"for word-based LM we used 16, 000 warmup steps with 500, 000 decay steps" "a sequence window size all equal to 512" " a total batch size of 128" 516000*512*128/103000000 = 328.32 epochs
512*128
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
- 1 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
123000000000000 FLOP / second/ GPU * 64 GPUs * 12 hours * 3600 sec/hour * 0.3 [assumed utilization] = 1.0202112e+20 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
- Google TPU v3
- Chips utilizados
- 64
- Tiempo de reloj
- 12 hours
- Consumo de energía
- 59.0 kW
"The model converged in a little over 12 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.
- Confianza de registro
- Confident
- Citas
- 845
- Datos de referencia
- Compressive Transformers for Long-Range Sequence Modelling
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Compressive Transformers for Long-Range Sequence Modelling
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
Long-range sequence Compressive Transformers fue publicado por DeepMind, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante November 2019. Sale de una organización categorizada como 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 1 × 10²⁰ 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 103,000,000 tokens de texto
Respuestas
Long-range sequence Compressive Transformers — preguntas comunes
Long-range sequence Compressive Transformers— ¿cuándo fue lanzado?
Se publicó en November 2019. 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.
Long-range sequence Compressive Transformers— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Long-range sequence Compressive Transformers— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10²⁰ 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.
Long-range sequence Compressive Transformers— ¿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.
Long-range sequence Compressive Transformers— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Long-range sequence Compressive Transformers— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
Long-range sequence Compressive Transformers— ¿Quién lo creó?
Fue publicado por DeepMind, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.
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.