RFM-1
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
- Covariant
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 11 March 2024
- Auteurs
- Andrew Sohn, Anusha Nagabandi, Carlos Florensa, Daniel Adelberg, Di Wu, Hassan Farooq, Ignasi Clavera, Jeremy Welborn, Juyue Chen, Nikhil Mishra, Peter Chen, Peter Qian, Pieter Abbeel, Rocky Duan, Varun Vijay, Yang Liu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Robotics, Vision, Video
- Tâche
- Robotic manipulation, Image captioning, Video description
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.
- paramètres
- 8B
- Données d'entraînement
- tokens
8b
from here https://covariant.ai/insights/rfm-1-update-higher-quality-grasp-accuracy/ 5*10^9 tokens
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
- 2.4 × 10²⁰ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 5000000000 tokens * 8*10^9 parameters = 2.4e+20 FLOP I am not confident about amount of epochs and whether the model is dense
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
- Likely
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Introducing RFM-1: Giving robots human-like reasoning capabilities
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
RFM-1 a été publié par Covariant, dans le pays enregistré comme United States of America, durant March 2024. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Robotics, Vision, Video, et est enregistré comme exécutant la tâche de robotic manipulation, Image captioning, Video description.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 2.4 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
RFM-1 — questions courantes
RFM-1— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 8B. 8b. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
RFM-1— qui l'a créé ?
Il a été publié par Covariant, basé sur United States of America, une organisation catégorisée comme industry.
RFM-1— quand a-t-il été publié ?
Il a été publié dans March 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.
RFM-1— à quoi ça sert ?
Il fonctionne dans le domaine de Robotics, Vision, Video, et est enregistré comme gérant la tâche de robotic manipulation, Image captioning, Video description. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RFM-1— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.4 × 10²⁰ FLOP. 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.
RFM-1— 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.
RFM-1— 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.
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.