DLRM-2020
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
- Facebook AI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 31 May 2019
- Autores
- Maxim Naumov, Dheevatsa Mudigere, Hao-Jun Michael Shi, Jianyu Huang, Narayanan Sundaraman, Jongsoo Park, Xiaodong Wang, Udit Gupta, Carole-Jean Wu, Alisson G. Azzolini, Dmytro Dzhulgakov, Andrey Mallevich, Ilia Cherniavskii, Yinghai Lu, Raghuraman Krishnamoorthi, Ansha Yu, Volodymyr Kondratenko, Stephanie Pereira, Xianjie Chen, Wenlin Chen, Vijay Rao, Bill Jia, Liang Xiong, Misha Smelyanskiy
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Recommendation
- Tarea
- Recommender system
- Formato numérico
- FP32
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
- 100B
- Datos de entrenamiento
- 38,571,428 tokens
Figure 1 https://arxiv.org/abs/2104.05158
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
- 4 × 10¹⁸ FLOP
- Cómo se estableció
- Reported
Figure 1 https://arxiv.org/abs/2104.05158
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
MIT, training/inference code: https://github.com/facebookresearch/dlrm
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
- Confident
- Citas
- 908
"In this paper, we develop a state-of-the-art deep learning recommendation model (DLRM)"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Learning Recommendation Model for Personalization and Recommendation Systems
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
DLRM-2020 fue publicado por Facebook AI, en el país registrado como United States of America, durante May 2019. La organización editora está clasificada como industry.
Funciona en el dominio de Recommendation, y se registra como realizando la tarea de recommender system.
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
Producirlo requirió una aritmética que totaliza alrededor de 4 × 10¹⁸ 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 38,571,428 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
DLRM-2020 — preguntas comunes
DLRM-2020— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 100B. Figure 1 https://arxiv.org/abs/2104.05158. 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.
DLRM-2020— ¿Quién lo creó?
Fue publicado por Facebook AI, basado en United States of America, una organización categorizada como industry.
DLRM-2020— ¿cuándo fue lanzado?
Se publicó en May 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.
DLRM-2020— ¿Para qué se utiliza?
Funciona en el dominio de Recommendation, y se registra como manejando la tarea de recommender system. 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.
DLRM-2020— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4 × 10¹⁸ 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.
DLRM-2020— ¿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.
DLRM-2020— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.