Sandwich 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
- Allen Institute for AI,Facebook AI Research
- Tipo de Organización
- Research collective,Industry
- País
- United States of America, France
- Publicado
- 10 November 2019
- Autores
- Ofir Press, Noah A. Smith, Omer Levy
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
- 209M
- Datos de entrenamiento
- 700,000,000 tokens
- Épocas
- 27
- Tamaño de lote
- 65,536
209M "All of our experiments use the same hyperparameters as Baevski and Auli’s original model."
"while retaining the other architectural aspects and hyperparameter settings from Baevski and Auli (2019)" Baevski and Auli (2019): 286k steps in batches of 65,536 tokens. 286000*65536/700000000 = 27 epochs
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
- 2.4 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / token / parameter * 209000000 parameters * 286000 steps * 65536 tokens per batch [same as Baevski and Auli (2019) = 2.3504093e+19 FLOP __________ in the Algorithmic progress paper they assumed 180 epochs (same as Baevski and Auli 2019 Transformer, but that one was trained on WT 103 not the book corpus) -> training compute was estimated to be 1.58E+20 FLOP
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
- Open (non-commercial)
non-commercial training and inference code: https://github.com/ofirpress/sandwich_transformer
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
- 97
- Datos de referencia
- Sandwich Transformer
"Sandwich transformers achieve state-of-the-art results on the enwik8 character-level language modeling dataset and on an additional word-level corpus, but have no significant effect on machine translation"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improving Transformer Models by Reordering their Sublayers
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Sandwich Transformer fue publicado por Allen Institute for AI,Facebook AI Research, en el país registrado como United States of America, durante November 2019. La categoría en la que se encuentra el editor es research collective,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 2.4 × 10¹⁹ 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 700,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
Sandwich Transformer — preguntas comunes
Sandwich 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.
Sandwich Transformer— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Sandwich Transformer— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 209M. 209M "All of our experiments use the same hyperparameters as Baevski and Auli’s original model.". 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.
Sandwich Transformer— ¿Quién lo creó?
Fue publicado por Allen Institute for AI,Facebook AI Research, basado en United States of America, una organización categorizada como research collective,Industry.
Sandwich Transformer— ¿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.
Sandwich 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.
Sandwich Transformer— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.4 × 10¹⁹ 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.
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.