MuseNet
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
- OpenAI
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 25 April 2019
- Autores
- OpenAI
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Audio
- Tarea
- Audio generation
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
- 2B
- Datos de entrenamiento
- tokens
From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744
“hundreds of thousands of MIDI files”
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
- 2.2 × 10²⁰ FLOP
- Cómo se estableció
- Operation counting
From article: 72 Layers 24 Attention heads 4096 ctx length Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Average sequence length: 5000 Epochs: 5 Training data: 500000 Forward FLOP: Attention: 2*H*(W*(2*D+N)+L*(D+N)+N*M) 2*24*(1536*(2*64+64)+4096*(64+64)+64*1536)=44040192 MLP: 2*(1536*6144+6144*1536)=37748736 Total forward flop: 72*(44040192+37748736)=5888802816 Training compute 5888802816*3*500000*5000*5=220830105600000000000=2.2e20
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
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
- Significant use
- Confianza de registro
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- MuseNet
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
MuseNet fue publicado por OpenAI, en el país registrado como United States of America, durante April 2019. La organización editora está clasificada como industry.
Funciona en el dominio de Audio, y se registra como realizando la tarea de audio generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 2.2 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
La razón por la que aparece en este catálogo en absoluto: significant use.
Respuestas
MuseNet — preguntas comunes
MuseNet— ¿Para qué se utiliza?
Funciona en el dominio de Audio, y se registra como manejando la tarea de audio generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
MuseNet— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.2 × 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.
MuseNet— ¿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.
MuseNet— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
MuseNet— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 2B. From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744. 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.
MuseNet— ¿Quién lo creó?
Fue publicado por OpenAI, basado en United States of America, una organización categorizada como industry.
MuseNet— ¿cuándo fue lanzado?
Se publicó en April 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.
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.