FMMformer (2-kernel fast weight + Band20)
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 Los Angeles (UCLA),University of Utah
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 5 August 2021
- Auteurs
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
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, Text classification
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
- 40M
- Données d'entraînement
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 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 GeForce RTX 3090 Ti
- Chips utilisés
- 4
- Consommation d'énergie
- 3.6 kW
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
- 38
- Données de référence
- FMMformer (2-kernel fast weight + Band20)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
D'où cela vient-il
FMMformer (2-kernel fast weight + Band20) a été publié par University of California Los Angeles (UCLA),University of Utah, dans le pays enregistré comme United States of America, durant August 2021. 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, Text classification.
C'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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 2.5 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090 Ti. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
FMMformer (2-kernel fast weight + Band20) — questions courantes
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 40M. 40M (caption to Table 2). 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.
FMMformer (2-kernel fast weight + Band20)— qui l'a créé ?
Il a été publié par University of California Los Angeles (UCLA),University of Utah, basé sur United States of America, une organisation catégorisée comme academia,Academia.
FMMformer (2-kernel fast weight + Band20)— quand a-t-il été publié ?
Il a été publié dans August 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.
FMMformer (2-kernel fast weight + Band20)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling, Text classification. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
FMMformer (2-kernel fast weight + Band20)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.5 × 10¹⁶ FLOP, sur matériel enregistré comme NVIDIA GeForce RTX 3090 Ti. 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.
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.