Uni-Med
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
- Tsinghua University,Beijing University of Posts and Telecommunications
- Tipo de Organización
- Academia,Academia
- País
- China
- Publicado
- 1 November 2024
- Autores
- Xun Zhu, Ying Hu, Fanbin Mo, Miao Li, Ji Wu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Modelo base
- Llama 2-7B,ViT-G/14
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
- 8.8B
- Datos de entrenamiento
- tokens
7B (LLama) + 1843000000 (ViT) = 8.8B
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
- 1.4 × 10²³ FLOP
- Computación de ajuste fino
- 5.6 × 10¹⁸ FLOP
Finetune: 10*60*60*312000000000000*0.5=5.616e+18 Base models: 8.4e+22, 5.85e+22 Total: 1.4250562e+23
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 A800 SXM
- Chips utilizados
- 1
- Tiempo de reloj
- 10 hours
- Consumo de energía
- 433 W
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 (restricted use)
https://github.com/MSIIP/Uni-Med (undefined license) I haven't found released pre-trained weights
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Probablemente por encima de 10²³ FLOP
- Yes
- Confianza de registro
- Likely
- Citas
- 23
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Uni-Med fue publicado por Tsinghua University,Beijing University of Posts and Telecommunications, en el país registrado como China, durante November 2024. La categoría en la que se encuentra el editor es academia,Academia.
Su punto de partida fue un modelo base existente, Llama 2-7B,ViT-G/14. Esa es la forma habitual en que se produce un modelo especializado.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 1.4 × 10²³ FLOP, en hardware registrado como NVIDIA A800 SXM. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Uni-Med — preguntas comunes
Uni-Med— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 8.8B. 7B (LLama) + 1843000000 (ViT) = 8.8B. 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.
Uni-Med— ¿Quién lo creó?
Fue publicado por Tsinghua University,Beijing University of Posts and Telecommunications, basado en China, una organización categorizada como academia,Academia.
Uni-Med— ¿cuándo fue lanzado?
Se publicó en November 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.
Uni-Med— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.4 × 10²³ FLOP, en hardware registrado como NVIDIA A800 SXM. 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.
Uni-Med— ¿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.
Uni-Med— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.