ERNIE-ViLG 2.0
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
- Baidu,Wuhan University of Science and Technology
- Type d'organisation
- Industry,Academia
- Pays
- China
- Publié
- 28 March 2023
- Auteurs
- Zhida Feng, Zhenyu Zhang, Xintong Yu, Yewei Fang, Lanxin Li, Xuyi Chen, Yuxiang Lu, Jiaxiang Liu, Weichong Yin, Shikun Feng, Yu Sun, Li Chen, Hao Tian, Hua Wu, Haifeng Wang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Image generation
- Tâche
- 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
- 24B
- Données d'entraînement
- 11,141,120,000,000 tokens
"we train ERNIEViLG 2.0 and scale up the model size to 24B parameters."
"The training data consists of 170M image-text pairs, including publicly available English datasets like LAION [28] and a series of internal Chinese datasets. The image autoencoder is trained on the same set. For images with English captions, we translate them with Baidu Translate API3 to get the Chinese version."
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
- 4.7 × 10²² FLOP
- Comment cela a été établi
- Hardware
312000000000000 FLOP / GPU / sec [A100 reported, bf16 assumed]* 432 hours * 3600 sec / hour * 320 GPUs * 0.3 [assumed utilization] = 4.658135e+22 FLOP
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 A100
- Chips utilisés
- 320
- Temps en temps réel
- 432 hours (18 days)
- Consommation d'énergie
- 255.2 kW
"We train ERNIE-ViLG 2.0 on 320 Tesla A100 GPUs for 18 days." 18*24=432
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
- API access
- Code d'entraînement
- Unreleased
https://wenxin.baidu.com/ernie-vilg
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
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- ERNIE-ViLG 2.0: Improving Text-to-Image Diffusion Model with Knowledge-Enhanced Mixture-of-Denoising-Experts
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
ERNIE-ViLG 2.0 a été publié par Baidu,Wuhan University of Science and Technology, dans le pays enregistré comme China, durant March 2023. Cela provient d'une organisation classée comme industry,Academia.
Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de image generation.
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.
Entraînement et provenance
L'entraînement a consommé environ 4.7 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100. 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 11,141,120,000,000 jetons de texte
Réponses
ERNIE-ViLG 2.0 — questions courantes
ERNIE-ViLG 2.0— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 24B. "we train ERNIEViLG 2.0 and scale up the model size to 24B parameters.". 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.
ERNIE-ViLG 2.0— qui l'a créé ?
Il a été publié par Baidu,Wuhan University of Science and Technology, basé sur China, une organisation catégorisée comme industry,Academia.
ERNIE-ViLG 2.0— quand a-t-il été publié ?
Il a été publié dans March 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.
ERNIE-ViLG 2.0— à quoi ça sert ?
Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de image generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
ERNIE-ViLG 2.0— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.7 × 10²² FLOP, sur matériel enregistré comme NVIDIA A100. 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.
ERNIE-ViLG 2.0— 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.
ERNIE-ViLG 2.0— 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.