DreamLLM
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
- Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology
- Type d'organisation
- Academia,Industry,Academia,Academia
- Pays
- China
- Publié
- 20 September 2023
- Auteurs
- Runpei Dong, Chunrui Han, Yuang Peng, Zekun Qi, Zheng Ge, Jinrong Yang, Liang Zhao, Jianjian Sun, Hongyu Zhou, Haoran Wei, Xiangwen Kong, Xiangyu Zhang, Kaisheng Ma, Li Yi
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Multimodal, Language, Vision, Image generation
- Tâche
- Language modeling/generation, Vision-language generation, Image generation
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
- 7B
- Données d'entraînement
- 70,369,280,000 tokens
- Époques
- 1
7B
from Table 13: 30M pairs image and text, 4M interleaved image-text documents, and 120k instruction examples
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
- 7.5 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
Table 13: 128xA800 GPU for (6+10+1.5) hours flops = (128) * ( 312 * 10**12) * (17.5 * 3600) * (0.3) = 7.5e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
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
- NVIDIA A800 PCIe 40 GB
- Chips utilisés
- 128
- Heures de puce
- 2,240
- Temps en temps réel
- 18 hours
- Consommation d'énergie
- 63.6 kW
from Table 11: (6+10+1.5) hours
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
- 318
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- DreamLLM: Synergistic Multimodal Comprehension and Creation
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
DreamLLM a été publié par Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, dans le pays enregistré comme China, durant September 2023. Cela provient d'une organisation classée comme academia,Industry,Academia,Academia.
Il fonctionne dans le domaine de Multimodal, Language, Vision, Image generation, et est enregistré comme exécutant la tâche de language modeling/generation, Vision-language generation, Image generation.
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.
Qu'est-ce qui a été nécessaire pour le construire
La production a nécessité des calculs totalisant environ 7.5 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A800 PCIe 40 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 70,369,280,000 jetons de texte
Réponses
DreamLLM — questions courantes
DreamLLM— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
DreamLLM— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 7B. 7B. 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.
DreamLLM— qui l'a créé ?
Il a été publié par Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, basé sur China, une organisation catégorisée comme academia,Industry,Academia,Academia.
DreamLLM— quand a-t-il été publié ?
Il a été publié dans September 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.
DreamLLM— à quoi ça sert ?
Il fonctionne dans le domaine de Multimodal, Language, Vision, Image generation, et est enregistré comme gérant la tâche de language modeling/generation, Vision-language generation, Image generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
DreamLLM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 7.5 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A800 PCIe 40 GB. 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.
DreamLLM— 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.
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.