Delta RNN (+ full context)
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
- IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST)
- Type d'organisation
- Academia,Academia,Academia
- Pays
- Switzerland, Saudi Arabia
- Publié
- 11 June 2021
- Auteurs
- Kazuki Irie, Imanol Schlag, Róbert Csordás, Jürgen Schmidhuber
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
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
- 44.6M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 40
44.6M
"All models are trained and evaluated on the span of 256 tokens"
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
- 1.1 × 10¹⁸ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 44600000 parameters * 103000000 tokens * 40 epochs [assumed -> "Speculative" confidence] = 1.102512e+18 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
- Open source
train and eval code for Delta RNN: https://github.com/IDSIA/recurrent-fwp/tree/master/language_modeling apache 2 license: https://github.com/IDSIA/recurrent-fwp/blob/master/language_modeling/LICENSE
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
- 77
- Données de référence
- Delta RNN (+ full context)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Going Beyond Linear Transformers with Recurrent Fast Weight Programmers
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
À propos de ce modèle
Delta RNN (+ full context) a été publié par IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST), dans le pays enregistré comme Switzerland, durant June 2021. La catégorie à laquelle appartient l'éditeur est academia,Academia,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10¹⁸ FLOP. 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
Delta RNN (+ full context) — questions courantes
Delta RNN (+ full context)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 44.6M. 44.6M. 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.
Delta RNN (+ full context)— qui l'a créé ?
Il a été publié par IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST), basé sur Switzerland, une organisation catégorisée comme academia,Academia,Academia.
Delta RNN (+ full context)— quand a-t-il été publié ?
Il a été publié dans June 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.
Delta RNN (+ full context)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. 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.
Delta RNN (+ full context)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10¹⁸ 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.
Delta RNN (+ full context)— 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.
Delta RNN (+ full context)— 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.
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.