QT-Opt
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Google Brain,University of California (UC) Berkeley
- Tipo de organización
- Industry,Academia
- País
- United States of America
- Publicado
- 27 June 2018
- Autores
- Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics, Vision
- Tarea
- Robotic manipulation
- Enfoque
- Reinforcement learning
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 1.2M
- Datos de entrenamiento
- 11,600,000 tokens
- Épocas
- 80
"The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters"
Observations take up 4TB of disk space, and the input space is a 472x472 RGB image. Assuming 24 bit depth color (8 bits per channel), that suggests 472 * 472 * 3 * 8 bits = 668.352 kB per image (this could be off by a factor of 2 depending on actual bit depth) 4 TB / 668.352 kB = 5,984,870 images; around 10 per grasp attempt. 15M gradient steps with batchsize 32 implies: 15M steps * 32 images/step * 1/5984870 images ~= each image seen 80 times
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 1.4 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 9.30E+12 FLOP/sec/GPU * 0.4 utilization * 10 GPU = 1.395E+19
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA P100
- Tiempo en tiempo real
- 104 hours
- Costo de computación
- $1,318
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 1/3600 hours/second = 104.2 hours
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Registrar confianza
- Likely
- Citas
- 1,692
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
QT-Opt was published by Google Brain,University of California (UC) Berkeley, in United States of America, in June 2018. The organisation is categorised as industry,Academia.
It works in Robotics, Vision, and is recorded as doing robotic manipulation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Training and provenance
The training run consumed about 1.4 × 10¹⁹ FLOP, on NVIDIA P100. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 11,600,000 tokens went into training it.
Respuestas
QT-Opt — Preguntas frecuentes
How many parameters does QT-Opt have?
QT-Opt has 1.2M parameters. "The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created QT-Opt?
QT-Opt was published by Google Brain,University of California (UC) Berkeley, based in United States of America, categorised as industry,Academia.
When was QT-Opt released?
QT-Opt was published in June 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is QT-Opt used for?
QT-Opt works in Robotics, Vision, and is recorded as handling robotic manipulation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train QT-Opt?
Around 1.4 × 10¹⁹ FLOP, on NVIDIA P100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run QT-Opt?
None. QT-Opt is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is QT-Opt open source?
No. QT-Opt has not had its weights published, so it exists only as a service controlled by its owner.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.