FAIRSEQ Adaptive Inputs
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 Research,Google Brain
- Tipo de Organización
- Industry,Industry
- País
- United States of America, France
- Publicado
- 1 April 2019
- Autores
- Myle Ott, Sergey Edunov, Alexei Baevski, Angela Fan, Sam Gross, Nathan Ng, David Grangier, Michael Auli
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
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
- 247M
- Datos de entrenamiento
- 103,000,000 tokens
- Épocas
- 180
"The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer
assuming same number of epochs as in Baevski and Auli (2019) Transformer - 180
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
- 3.2 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting,Hardware
6 FLOP / parameter / token * 247000000 parameters * 103000000 tokens * 180 epochs = 2.747628e+19 FLOP for translation model, Table 2: 31330000000000 FLOP / second / GPU * 128 GPUs * 8.5 hours * 3600 seconds / hour * 0.3 [assumed precision] = 3.6814003e+19 FLOP sqrt(2.747628e+19*3.6814003e+19) = 3.1804274e+19 FLOP Speculative confidence since amount of parameters and epochs are assumed as well as hardware estimation is given for another model in the paper __________ In the Algorithmic progr…
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
- NVIDIA V100
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
weights and training, Repo is MIT-licensed https://github.com/facebookresearch/fairseq/blob/main/examples/language_model/README.adaptive_inputs.md
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
- Speculative
- Citas
- 3,381
- Datos de referencia
- FAIRSEQ Adaptive Inputs
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- fairseq: A Fast, Extensible Toolkit for Sequence Modeling
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
FAIRSEQ Adaptive Inputs fue publicado por Facebook AI Research,Google Brain, en el país registrado como United States of America, durante April 2019. La organización editora está clasificada como industry,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 3.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. 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 103,000,000 tokens de texto
Respuestas
FAIRSEQ Adaptive Inputs — preguntas comunes
FAIRSEQ Adaptive Inputs— ¿Quién lo creó?
Fue publicado por Facebook AI Research,Google Brain, basado en United States of America, una organización categorizada como industry,Industry.
FAIRSEQ Adaptive Inputs— ¿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.
FAIRSEQ Adaptive Inputs— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. 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.
FAIRSEQ Adaptive Inputs— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.2 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. 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.
FAIRSEQ Adaptive Inputs— ¿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.
FAIRSEQ Adaptive Inputs— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
FAIRSEQ Adaptive Inputs— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 247M. "The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer. 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.
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.