MoE-Multi
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
- Jagiellonian University,Google Brain
- Tipo de Organización
- Academia,Industry
- País
- Poland, United States of America
- Publicado
- 23 January 2017
- Autores
- N Shazeer, A Mirhoseini, K Maziarz, A Davis
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, Translation
- 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
- 8.7B
- Datos de entrenamiento
- 87,000,000,000 tokens
- Épocas
- 10
- Tamaño de lote
- 1,365,333
Table 5 https://arxiv.org/abs/1701.06538
"We constructed a similar training set consisting of shuffled unique sentences from Google’s internal news corpus, totalling roughly 100 billion words" Assuming 100 words = 133 tokens
"Training was done synchronously on a cluster of up to 64 GPUs as described in section 3. Each training batch consisted of a set of sentence pairs containing roughly 16000 words per GPU." Although they appear to use word-level tokenization in other experiments, here they use subword tokens: "Similar to GNMT, to effectively deal with rare words, we used subword units (also known as “wordpieces") (Schuster & Nakajima, 2012) for inputs and outputs in our system." In total 64 GPUs * 16k words/GPU * …
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
- 9.4 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
12 days 64 NVIDIA K40 GPUs (see hardware data sheet for performance) 0.33 util rate
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 Tesla K40t
- Chips utilizados
- 64
- Tiempo de reloj
- 288 hours (12 days)
- Consumo de energía
- 32.9 kW
- Costo de cómputo
- $3,874
12 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
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
- Highly cited,SOTA improvement,Historical significance
- Confianza de registro
- Confident
- Citas
- 4,587
"On large language modeling and machine translation benchmarks, these models achieve significantly better results than state-of-the-art at lower computational cost"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
MoE-Multi fue publicado por Jagiellonian University,Google Brain, en el país registrado como Poland, durante January 2017. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling, Translation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Entrenarlo tomó un presupuesto de computación de aproximadamente 9.4 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla K40t. 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 87,000,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited,SOTA improvement,Historical significance.
Respuestas
MoE-Multi — preguntas comunes
MoE-Multi— ¿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.
MoE-Multi— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
MoE-Multi— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 8.7B. Table 5 https://arxiv.org/abs/1701.06538. 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.
MoE-Multi— ¿Quién lo creó?
Fue publicado por Jagiellonian University,Google Brain, basado en Poland, una organización categorizada como academia,Industry.
MoE-Multi— ¿cuándo fue lanzado?
Se publicó en January 2017. 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.
MoE-Multi— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling, Translation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
MoE-Multi— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.4 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla K40t. 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.
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.