JEST-L++
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
- DeepMind
- Type d'organisation
- Industry
- Pays
- United Kingdom of Great Britain and Northern Ireland
- 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
- 98,304,000,000,000 tokens
- Taille de lot
- 32,000
"Our default training configuration follows that of SigLIP [54], with a ViT-B/16 and Bert-B image-text dual encoder, training on WebLI for 3 billion examples with a batch size of 32k and the sigmoid-contrastive loss... We split training across 256 TPUv5e chips," according to page 14 of https://arxiv.org/pdf/2406.17711v1.
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
- 2 × 10²¹ FLOP
See the right subfigure of Figure 1 on page 2 of https://arxiv.org/pdf/2406.17711v1.
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
(a) Did you include the code, data, and instructions needed to reproduce the main experimental results (either in the supplemental material or as a URL)? [No] We do not explicitly provide the code for our experiments, however we detail in pseudocode the main components of our method (see algorithms 1 and A.1). Our model implementations and base experimental configuration were adopted from the open source big_vision codebase [3]. We do not provide the reference or downstream training datasets, bu…
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
JEST-L++ a été publié par DeepMind, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant June 2024. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Vision, et est enregistré comme exécutant la tâche de image classification.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 2 × 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 98,304,000,000,000 jetons de texte
Réponses
JEST-L++ — questions courantes
JEST-L++— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2 × 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.
JEST-L++— 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.
JEST-L++— 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.
JEST-L++— 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.
JEST-L++— qui l'a créé ?
Il a été publié par DeepMind, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry.
JEST-L++— 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.
JEST-L++— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, et est enregistré comme gérant la tâche de image classification. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
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.