Flexi-JEST++
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Google DeepMind
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 25 June 2024
- Auteurs
- Talfan Evans, Nikhil Parthasarathy, Hamza Merzic, Olivier J. Henaff
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Image classification
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- Données d'entraînement
- 131,072,000,000,000 tokens
4b training examples seen (figure 1) The vision encoder takes images resized to (256 x 256) and the text-encoder tokenizes text with the sentencepiece tokenizer [26] trained on the English C4 dataset [39]. We crop the text to the first 64 tokens. visual encoder: ViT-B/16 4*10^9*((256/16)^2 + 64) = 1.28e+12 tokens (text and image)
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.3 × 10²¹ FLOP
- Comment cela a été établi
- Other
1.26*10^21 from the figure 1 there is slight disrepancy (within confidence interval) between sigclip/flexi-jest++ training compute ratio if we compare epoch's estimated compute and table 1
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- Google TPU v5e
- Chips utilisés
- 256
- Consommation d'énergie
- 113.7 kW
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 30
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Data curation via joint example selection further accelerates multimodal learning
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Flexi-JEST++ a été publié par Google DeepMind, dans le pays enregistré comme United States of America, durant June 2024. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 1.3 × 10²¹ FLOP, sur matériel enregistré comme Google TPU v5e. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 131,072,000,000,000 jetons de texte
Réponses
Flexi-JEST++ — questions courantes
Flexi-JEST++— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Flexi-JEST++— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Flexi-JEST++— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
Flexi-JEST++— qui l'a créé ?
Il a été publié par Google DeepMind, basé sur United States of America, une organisation catégorisée comme industry.
Flexi-JEST++— quand a-t-il été publié ?
Il a été publié dans June 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Flexi-JEST++— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Flexi-JEST++— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.3 × 10²¹ FLOP, sur matériel enregistré comme Google TPU v5e. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.