Verbatim Memory Transformer (108M)
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
- Johns Hopkins University,New York University (NYU)
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 24 October 2022
- Auteurs
- Kristijan Armeni, Christopher Honey, Tal Linzen
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling
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
- 107.7M
- Données d'entraînement
- 40,000,000 tokens
Table 3
40M tokens Table 3
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
- 9.9 × 10¹⁷ FLOP
RTX 8000 FP16 FLOPs: 32620000000000 Assumed utilization for single GPU: 0.7 Estimate: 12*60*60*32620000000000*0.7=9.864288e+17
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 Quadro RTX 8000
- Chips utilisés
- 1
- Temps en temps réel
- 12 hours
- Consommation d'énergie
- 286 W
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
- Open source
CC BY 4.0 for code: https://github.com/KristijanArmeni/verbatim-memory-in-NLMs
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
- 9
- Données de référence
- Characterizing Verbatim Short-Term Memory in Neural Language Models (108M)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Characterizing Verbatim Short-Term Memory in Neural Language Models
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
Verbatim Memory Transformer (108M) a été publié par Johns Hopkins University,New York University (NYU), dans le pays enregistré comme United States of America, durant October 2022. Cela provient d'une organisation classée comme academia,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Comment il a été entraîné
L'entraînement a nécessité un budget de calcul d'environ 9.9 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Quadro RTX 8000. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 40,000,000 jetons de texte
Réponses
Verbatim Memory Transformer (108M) — questions courantes
Verbatim Memory Transformer (108M)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 107.7M. Table 3. 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.
Verbatim Memory Transformer (108M)— qui l'a créé ?
Il a été publié par Johns Hopkins University,New York University (NYU), basé sur United States of America, une organisation catégorisée comme academia,Academia.
Verbatim Memory Transformer (108M)— quand a-t-il été publié ?
Il a été publié dans October 2022. 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.
Verbatim Memory Transformer (108M)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Verbatim Memory Transformer (108M)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 9.9 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Quadro RTX 8000. 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.
Verbatim Memory Transformer (108M)— 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.
Verbatim Memory Transformer (108M)— 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.