Transformer-XL Large + Phrase Induction
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
- Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC)
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 4 June 2019
- Autores
- Hongyin Luo, Lan Jiang, Yonatan Belinkov, James Glass
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/generation
- Modelo base
- Transformer-XL (257M)
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
- 257M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 1
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
- 3.8 × 10²⁰ FLOP
- Cómo se estableció
- Operation counting
- Computación de ajuste fino
- 1.6 × 10¹⁷ FLOP
Fine-tuned from pre-trained Transformer-XL Large (upd 3.7832771e+20 FLOP, old estimation 1.09e19 FLOP). Total: 3.7832771e20 + 1.588e17 = 3.7848651e+20 FLOP (Speculative confidence same as Transformer XL)
Additional 1.6e17 FLOP of fine-tuning from one epoch on WikiText-103: 6 * 257M * 103M = 1.588e17 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 source
code license, BSD-3: https://github.com/luohongyin/PILM?tab=BSD-3-Clause-1-ov-file#readme training: https://github.com/luohongyin/PILM/blob/master/train_span_wt103.sh
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
- 14
- Datos de referencia
- Transformer-XL Large + Phrase Induction
"We achieved a new state-of-the-art performance of 17.4 perplexity on the Wikitext-103 dataset"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improving Neural Language Models by Segmenting, Attending, and Predicting the Future
- Última actualización
- 1 December 2025
Qué significan los números
Qué es este modelo
Transformer-XL Large + Phrase Induction fue publicado por Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), en el país registrado como United States of America, durante June 2019. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Se basa en Transformer-XL (257M). Por eso comparte la forma y el tamaño general del modelo base.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 3.8 × 10²⁰ FLOP. 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
Su criterio de inclusión: sOTA improvement.
Respuestas
Transformer-XL Large + Phrase Induction — preguntas comunes
Transformer-XL Large + Phrase Induction— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Transformer-XL Large + Phrase Induction— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 257M. 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.
Transformer-XL Large + Phrase Induction— ¿Quién lo creó?
Fue publicado por Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), basado en United States of America, una organización categorizada como academia,Academia.
Transformer-XL Large + Phrase Induction— ¿cuándo fue lanzado?
Se publicó en June 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.
Transformer-XL Large + Phrase Induction— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Transformer-XL Large + Phrase Induction— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.8 × 10²⁰ 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.
Transformer-XL Large + Phrase Induction— ¿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.