GPT-2 (fine-tuned with HYDRA)
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
- University of California San Diego
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 16 October 2021
- Auteurs
- Kabir Nagrecha, Arun Kumar
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/generation
- Modèle de base
- GPT-2 (1.5B)
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
- 1.5B
- Données d'entraînement
- tokens
- Époques
- 1
They don't actually say which GPT-2 version they use, but it appears to be XL (1.5B params), since Table 1 shows zero-shot accuracy of 18.34 on WikiText-2, which is what the 1.5B version got.
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
- 1.9 × 10²¹ FLOP
- Comment cela a été établi
- Operation counting
- Ajustement fin des calculs
- 1.8 × 10¹⁶ FLOP
They fine-tuned GPT-2 (1.5B) for one epoch on WikiText-2. GPT-2 itself used 1.92e21 FLOP, and here we see 6 * 2M * 1.54B = 1.848e16 fine-tuning FLOP (which has almost no impact on total FLOP).
They fine-tuned GPT-2 (1.5B) for one epoch on WikiText-2. GPT-2 itself used 1.92e21 FLOP, and here we see 6 * 2M * 1.54B = 1.848e16 fine-tuning FLOP (which has almost no impact on total FLOP).
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
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
- 6
- Données de référence
- GPT-2 (fine-tuned with HYDRA)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Hydra: A System for Large Multi-Model Deep Learning
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
GPT-2 (fine-tuned with HYDRA) a été publié par University of California San Diego, dans le pays enregistré comme United States of America, durant October 2021. Cela provient d'une organisation classée comme academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation.
Plutôt que d'être entraîné depuis le début, il est dérivé de GPT-2 (1.5B). C'est pourquoi il partage la forme et la taille générales du modèle de base.
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 1.9 × 10²¹ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
GPT-2 (fine-tuned with HYDRA) — questions courantes
GPT-2 (fine-tuned with HYDRA)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.9 × 10²¹ 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.
GPT-2 (fine-tuned with HYDRA)— 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.
GPT-2 (fine-tuned with HYDRA)— 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.
GPT-2 (fine-tuned with HYDRA)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1.5B. They don't actually say which GPT-2 version they use, but it appears to be XL (1.5B params), since Table 1 shows zero-shot accuracy of 18.34 on WikiText-2, which is what the 1.5B version got. 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.
GPT-2 (fine-tuned with HYDRA)— qui l'a créé ?
Il a été publié par University of California San Diego, basé sur United States of America, une organisation catégorisée comme academia.
GPT-2 (fine-tuned with HYDRA)— quand a-t-il été publié ?
Il a été publié dans October 2021. 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.
GPT-2 (fine-tuned with HYDRA)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
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.