T2R + Random Init
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 Washington,Microsoft,DeepMind,Allen Institute for AI
- Type d'organisation
- Academia,Industry,Industry,Research collective
- Pays
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Publié
- 24 March 2021
- Auteurs
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
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
- 450M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 205.48
- Taille de lot
- 74,000
450M source: https://arxiv.org/pdf/2203.12644 table 3
"We train the model with a batch size of about 74K tokens with a total of 286K steps" 74000*286000 / 103000000 = 205.48 epochs
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
- 2.7 × 10¹⁹ FLOP
- Comment cela a été établi
- Operation counting,Hardware
6 FLOP / token / parameter * 450000000 parameters * 74000 tokens per batch * 286000 steps = 5.71428e+19 FLOP 125000000000000 [assumed bf16] * 98 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.323e+19 FLOP geometric mean: sqrt(5.71428e+19*1.323e+19) = 2.749544e+19
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 V100
- Chips utilisés
- 8
- Heures de puce
- 98
- Consommation d'énergie
- 4.9 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
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
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
- Likely
- Citations
- 94
- Données de référence
- T2R + Random Init
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Finetuning Pretrained Transformers into RNNs
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
T2R + Random Init a été publié par University of Washington,Microsoft,DeepMind,Allen Institute for AI, dans le pays enregistré comme United States of America, durant March 2021. La catégorie à laquelle appartient l'éditeur est academia,Industry,Industry,Research collective.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 2.7 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA V100. 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
T2R + Random Init — questions courantes
T2R + Random Init— 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.
T2R + Random Init— 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.
T2R + Random Init— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 450M. 450M source: https://arxiv.org/pdf/2203.12644 table 3. 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.
T2R + Random Init— qui l'a créé ?
Il a été publié par University of Washington,Microsoft,DeepMind,Allen Institute for AI, basé sur United States of America, une organisation catégorisée comme academia,Industry,Industry,Research collective.
T2R + Random Init— quand a-t-il été publié ?
Il a été publié dans March 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.
T2R + Random Init— 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.
T2R + Random Init— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.7 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA V100. 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.