LSTM (Hebbian, Cache, MbPA)
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
- DeepMind,University College London (UCL)
- Tipo de Organización
- Industry,Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 27 March 2018
- Autores
- Jack W Rae, Chris Dyer, Peter Dayan, Timothy P Lillicrap
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
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
- 530.4M
- Datos de entrenamiento
- 175,181,505 tokens
- Épocas
- 80
- Tamaño de lote
- 51,200
Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240
Omniglot: 32k images Wikitext-103: "Over 100 million tokens" Gutenberg: 175,181,505 tokens GigaWord v5: 4B tokens Gigaword is the largest dataset, but the largest training run uses Project Gutenberg.
Sequence length of 100, total of 512 batches. Batches are split between 8 GPUs.
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
- 3.3 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware,Operation counting
They do training runs on a vision task and three language datasets. The largest dataset by size is GigaWord, but the largest training run is on the Gutenberg dataset, at 15B tokens. I assume the input embedding is done with an embedding lookup for efficiency rather than a dense matrix multiplication, so we only count FLOPs on the de-embedding. Ops counting: 6 * 15B * 530,442,240 = 4.774e19 Hardware: (8 * 1.87e13) * (6 * 24 * 3600) * 0.3 = 2.327e19 Geometric mean: sqrt(4.774e19 * 2.327e19) =…
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 P100
- Chips utilizados
- 8
- Tiempo de reloj
- 144 hours
- Consumo de energía
- 4.2 kW
- Costo de cómputo
- $591
6 days
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
- Unreleased
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
- Confident
- Citas
- 47
- Datos de referencia
- LSTM (Hebbian, Cache, MbPA)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Fast Parametric Learning with Activation Memorization
- Última actualización
- 11 February 2026
Qué significan los números
Acerca de este modelo
LSTM (Hebbian, Cache, MbPA) fue publicado por DeepMind,University College London (UCL), en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante March 2018. La organización editora está clasificada como industry,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 3.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA P100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 175,181,505 tokens de texto
Respuestas
LSTM (Hebbian, Cache, MbPA) — preguntas comunes
LSTM (Hebbian, Cache, MbPA)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. 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.
LSTM (Hebbian, Cache, MbPA)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.3 × 10¹⁹ FLOP, en hardware registrado como NVIDIA P100. 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.
LSTM (Hebbian, Cache, MbPA)— ¿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.
LSTM (Hebbian, Cache, MbPA)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
LSTM (Hebbian, Cache, MbPA)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 530.4M. Single layer LSTM with hidden dimension of 2048. Vocabulary for Gutenberg is 242,621; input and output embeddings are tied. Embedding layer (tied): 242,621 * 2048 = 496,887,808 LSTM layer: 4 * (2048 + 2048) * 2048 = 33,554,432 Total: 496,887,808 + 33,554,432 = 530,442,240. 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.
LSTM (Hebbian, Cache, MbPA)— ¿Quién lo creó?
Fue publicado por DeepMind,University College London (UCL), basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry,Academia.
LSTM (Hebbian, Cache, MbPA)— ¿cuándo fue lanzado?
Se publicó en March 2018. 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.