Apollo 3B
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
- Meta AI,Stanford University
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 13 December 2024
- Autores
- Orr Zohar, Xiaohan Wang, Yann Dubois, Nikhil Mehta, Tong Xiao, Philippe Hansen-Estruch, Licheng Yu, Xiaofang Wang, Felix Juefei-Xu, Ning Zhang, Serena Yeung-Levy, Xide Xia
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Video, Language, Multimodal
- Tarea
- Video description
- Modelo base
- SigLIP 400M,Qwen2.5-3B
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
- 3B
- Datos de entrenamiento
- tokens
"We employed the Qwen2.5 (Yang et al., 2024) series of Large Language Models (LLMs) at varying scales to serve as the backbone for Apollo. Specifically, we utilized models with 1.5B, 3B, and 7B parameters. Following our analysis in Sec. 4, we used a SigLIP-SO400M (Zhai et al., 2023) encoder combined with an InternVideo2 (Wang et al., 2024d) video encoder" there is a confusion with Qwen2.5 link - it points to Qwen 2 paper instead of Qwen 2.5 release notes
1. Alignment: In this phase, we trained on a 198K mixture of 50/50 image and video captions. 2. Vision Pretraining: We tuned the encoders using a video-only caption dataset of 396K samples. 3. Supervised Fine-tuning (SFT): We trained on a mixture of text, image, multi-image, and video data, with a total of 3.2 million samples. 3200000 videos *36%*~40 sec*~128 tokens / sec = 5898240000 video tokens during SFT assuming about the same amount of image and text tokens. total size of the dataset was…
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 A100
- Chips utilizados
- 128
- Consumo de energía
- 100.7 kW
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Apollo: An Exploration of Video Understanding in Large Multimodal Models
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Apollo 3B fue publicado por Meta AI,Stanford University, en el país registrado como United States of America, durante December 2024. La organización editora está clasificada como industry,Academia.
Funciona en el dominio de Video, Language, Multimodal, y se registra como realizando la tarea de video description.
Se basa en SigLIP 400M,Qwen2.5-3B. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
Apollo 3B — preguntas comunes
Apollo 3B— ¿Quién lo creó?
Fue publicado por Meta AI,Stanford University, basado en United States of America, una organización categorizada como industry,Academia.
Apollo 3B— ¿cuándo fue lanzado?
Se publicó en December 2024. 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.
Apollo 3B— ¿Para qué se utiliza?
Funciona en el dominio de Video, Language, Multimodal, y se registra como manejando la tarea de video description. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Apollo 3B— ¿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.
Apollo 3B— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Apollo 3B— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 3B. "We employed the Qwen2.5 (Yang et al., 2024) series of Large Language Models (LLMs) at varying scales to serve as the backbone for Apollo. Specifically, we utilized models with 1.5B, 3B, and 7B parameters. Following our analysis in Sec. 4, we used a SigLIP-SO400M (Zhai et al., 2023) encoder combined with an InternVideo2 (Wang et al., 2024d) video encoder" there is a confusion with Qwen2.5 link - it points to Qwen 2 paper instead of Qwen 2.5 release notes. 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.