Decaying Fast Weights Transformer (WT-103)
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
- Jenni
- Type d'organisation
- Industry
- Pays
- Singapore
- Publié
- 9 October 2022
- Auteurs
- Huanru Henry Mao
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
- Modèle de base
- Transformer (Adaptive Input Embeddings) WT103
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
- 242M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 192.12
"We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M parameters"
"For both models, we trained with a batch size of 26 for 100,000 iterations. "
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
- 7.9 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
- Ajustement fin des calculs
- 5.7 × 10¹⁸ FLOP
Pre-trained model is Transformer (Adaptive Input Embeddings) which was 7.3e19. This is from 8 * 67 V100-hours. fine-tuning: "Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% = 5.7e18 FLOP" 5.7e18 + 7.3e19 is 7.9e19
"Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% 5.7e18 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 A40 PCIe
- Chips utilisés
- 1
- Temps en temps réel
- 35 hours
- Consommation d'énergie
- 330 W
"Training was performed on a single NVIDIA A40 GPU for 35 hours."
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
They have CUDA kernels, don't see pretrain code: https://github.com/jenni-ai/T2FW
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
- 30
- Données de référence
- Decaying Fast Weights Transformer
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Fine-Tuning Pre-trained Transformers into Decaying Fast Weights
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Decaying Fast Weights Transformer (WT-103) a été publié par Jenni, dans le pays enregistré comme Singapore, durant October 2022. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Plutôt que d'être entraîné depuis le début, il est dérivé de Transformer (Adaptive Input Embeddings) WT103. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 7.9 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A40 PCIe. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 103,000,000 jetons de texte
Réponses
Decaying Fast Weights Transformer (WT-103) — questions courantes
Decaying Fast Weights Transformer (WT-103)— 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.
Decaying Fast Weights Transformer (WT-103)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 7.9 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA A40 PCIe. 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.
Decaying Fast Weights Transformer (WT-103)— 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.
Decaying Fast Weights Transformer (WT-103)— 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.
Decaying Fast Weights Transformer (WT-103)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 242M. "We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M 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.
Decaying Fast Weights Transformer (WT-103)— qui l'a créé ?
Il a été publié par Jenni, basé sur Singapore, une organisation catégorisée comme industry.
Decaying Fast Weights Transformer (WT-103)— 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.
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.