KnGPT2

Poids fermés Huawei Noah's Ark Lab,McGill University 83M paramètres October 2021

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..

Parcourez les modèles que vous pouvez exécuter à la place

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: Huawei Noah's Ark Lab,McGill University
Type d'organisation: Industry,Academia
Pays: China, Canada
Publié: 15 October 2021
Auteurs: Ali Edalati, Marzieh Tahaei, Ahmad Rashid, Vahid Partovi Nia, James J. Clark, Mehdi Rezagholizadeh

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 (124M)

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: 83M
Données d'entraînement: 853,333,333 tokens
Époques: 1

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 × 10²⁰ FLOP
Comment cela a été établi: Operation counting
Ajustement fin des calculs: 4.2 × 10¹⁷ 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.

Temps en temps réel: 7 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

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: Speculative
Citations: 42
Données de référence: KnGPT2

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Kronecker Decomposition for GPT Compression
Dernière mise à jour: 25 May 2026

Ce que les chiffres signifient

Contexte

KnGPT2 a été publié par Huawei Noah's Ark Lab,McGill University, dans le pays enregistré comme China, durant October 2021. L'organisation de publication est catégorisée comme industry,Academia.

Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation.

Son point de départ était un modèle de base existant, GPT-2 (124M). 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.

Qu'est-ce qui a été nécessaire pour le construire

L'entraînement a consommé environ 7.9 × 10²⁰ FLOP. 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 853,333,333 jetons de texte

Réponses

KnGPT2 — questions courantes

KnGPT2— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 7.9 × 10²⁰ 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.

KnGPT2— 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.

KnGPT2— 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.

KnGPT2— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 83M. "The KnGPT2 model is compressed from the GPT-2Small Radford et al. (2019) model. GPT-2Small is 124 million parameters. Our baseline is DistilGPT2 which has about 82 million parameters so our KnGPT2 model is compressed to the same size (83 million parameters) for a fair comparison". 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.

KnGPT2— qui l'a créé ?

Il a été publié par Huawei Noah's Ark Lab,McGill University, basé sur China, une organisation catégorisée comme industry,Academia.

KnGPT2— 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.

KnGPT2— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

Source

Publication originale

Dernière mise à jour enregistrée 25 May 2026

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.

Tous les modèles AI