GraphCast
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
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
- 14 November 2023
- Auteurs
- Remi Lam, Alvaro Sanchez-Gonzalez, Matthew Willson, Peter Wirnsberger, Meire Fortunato, Ferran Alet, Suman Ravuri, Timo Ewalds, Zach Eaton-Rosen, Weihua Hu, Alexander Merose, Stephan Hoyer, George Holland, Oriol Vinyals, Jacklynn Stott, Alexander Pritzel, Shakir Mohamed, Peter Battaglia
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Earth science
- Tâche
- Weather forecasting
- Format numérique
- BF16
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
- 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
- 2.1 × 10²² FLOP
- Comment cela a été établi
- Hardware
"Training GraphCast took roughly four weeks on 32 Cloud TPU v4 devices using batch parallelism." 4.6: "we use bfloat16 floating point precision" 2.1e22 = 2.75E+14 FLOP/s * 32 * 60* 60 * 24 * 7 * 4
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
- Open — downloadable
- Accès au modèle
- Open weights (non-commercial)
- Code d'entraînement
- Open source
Apache 2 for training and inference code https://github.com/google-deepmind/graphcast CC BY-NC-SA 4.0 for weights
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Speculative
"Our state-of-the-art model delivers 10-day weather predictions at unprecedented accuracy in under one minute"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning skillful medium-range globalweather forecasting
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
GraphCast a été publié par Google DeepMind, dans le pays enregistré comme United States of America, durant November 2023. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Earth science, et est enregistré comme exécutant la tâche de weather forecasting.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 2.1 × 10²² FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
GraphCast — questions courantes
GraphCast— qui l'a créé ?
Il a été publié par Google DeepMind, basé sur United States of America, une organisation catégorisée comme industry.
GraphCast— quand a-t-il été publié ?
Il a été publié dans November 2023. 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.
GraphCast— à quoi ça sert ?
Il fonctionne dans le domaine de Earth science, et est enregistré comme gérant la tâche de weather forecasting. 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.
GraphCast— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
GraphCast— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.1 × 10²² 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.
GraphCast— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
GraphCast— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
GraphCast— 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.
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.