DLRM-2022
Aucune estimation
Pas d'exigences matérielles 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 n'importe quelle taille. Il n'est accessible que par son fournisseur, et aucune carte graphique ne change cela..
Sur l'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 évaluer combien de travail a été investi et comment il se compare aux modèles construits à une échelle différente..
Qui a construit ce modèle, où et quand a-t-il été publié ?
- Organisation
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 15 September 2021
- Auteurs
- D Mudigere, Y Hao, J Huang, A Tulloch
Ce qu'il fait
Les zones problématiques pour lesquelles le modèle a été conçu. Un modèle peut contenir plusieurs de chaque.
- Domaine
- Recommendation
- Translation de tâche
- Recommender system
Taille
Quelle est la taille du modèle et combien de données il a été formé ? Les paramètres sont la valeur qui détermine s'il s'adapte à une carte graphique donnée.
- Paramètres
- 3T
- Données d'entraînement
- tokens
Figure 1 https://arxiv.org/abs/2104.05158
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de la course d'entraînement, pas de la rapidité avec laquelle le modèle terminé vous répond.
- Calcul de formation
- 1.1 × 10²¹ FLOP
- Comment cela a été établi
- Reported
Figure 1 https://arxiv.org/abs/2104.05158
L'entraînement en cours
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'une des spécifications de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment c'est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables et à quel point il est confiant dans l'entrée.
- Modèle/modèles ne correspond jamais à la mode. Exécuter / exécutant signifie exécuter un modèle d'IA. Si vous recevez seulement le mot exécuter, cela provient probablement d'une phrase fragmentée comme quel modèle d'IA le GPU peut exécuter. ne convient pas / ne conviendra pas signifie que le modèle d'IA ne s'intègre pas dans la VRAM du GPU. serré = à peine exécutable, confortable = s'exécute facilement avec de la marge. Les mots de connexion courts comme de, le, un, à, pour, avec apparaissent seuls car le texte est divisé - il faut simplement les traduire normalement. Conservez les termes techniques comme GPU, AI, TPS, VRAM, CUDA, Tensor, Inference, Quantization, LoRA, GGUF, FP16, INT4, INT8 en anglais (ou la forme courante dans cette langue). Toujours écrire GPU, AI, TPS, VRAM, CUDA en majuscules. Si l'on vous demande de traduire un nom de langue (par exemple espagnol, anglais, langue), traduisez le mot correctement (espagnol → Spanisch, anglais → Deutsch, langue → Sprache). SORTIE UNIQUEMENT la traduction pure en français. AUCUN commentaire, AUCUNE question, RIEN D'AUTRE. Si vide, répondez par un espace : Record confidence
- Confident
- Citations
- 197
Sources
Où cet enregistrement provient-il et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Software-Hardware Co-design for Fast and Scalable Training of Deep Learning Recommendation Models
- Dernière mise à jour
- 25 May 2026
Que signifient les chiffres
Quel est ce modèle
DLRM-2022 was published by Facebook, in United States of America, in September 2021. It comes out of industry.
It works in Recommendation, and is recorded as doing recommender system.
Ceci est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Comment il a été entraîné
Producing it required around 1.1 × 10²¹ FLOP of arithmetic, on NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100, which is a statement about the training budget rather than about inference.
Réponds
DLRM-2022 — Questions courantes
When was DLRM-2022 released?
DLRM-2022 was published in September 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DLRM-2022 used for?
DLRM-2022 works in Recommendation, and is recorded as handling recommender system. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train DLRM-2022?
Around 1.1 × 10²¹ FLOP, on NVIDIA Tesla V100 DGXS 32 GB,NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DLRM-2022?
None. DLRM-2022 is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DLRM-2022 open source?
No. DLRM-2022 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DLRM-2022 have?
DLRM-2022 has 3T parameters. Figure 1 https://arxiv.org/abs/2104.05158. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created DLRM-2022?
DLRM-2022 was published by Facebook, based in United States of America, categorised as industry.
Source
Modèle/modèles, exécuter/exécution, ne convient pas / ne sera pas compatible, serré = à peine exécuté, confortable = s'exécute facilement avec une marge. 25 May 2026
L'autre direction
Le regardant de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle pourra exécuter., Modèle/modèles ne s'adapte pas / ne va pas s'adapter à la VRAM du GPU. Exécution d'un modèle IA. Cela fonctionne bien / fonctionne avec un peu de marge. Ne fonctionne pas ou est trop serré..