SRU++ Large only 2 attention layers (k=5) (WT103)
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
- ASAPP
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 24 February 2021
- Auteurs
- Tao Lei
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
- 225M
- Données d'entraînement
- tokens
- Époques
- 34.08
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
- 3.6 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+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
- Temps en temps réel
- 33 hours
- 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
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/README.md
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
- Confident
- Citations
- 54
- Données de référence
- SRU++ Large only 2 attention layers (k=5)
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
SRU++ Large only 2 attention layers (k=5) (WT103) a été publié par ASAPP, dans le pays enregistré comme United States of America, durant February 2021. Cela provient d'une organisation classée comme industry.
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.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 3.6 × 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.
Réponses
SRU++ Large only 2 attention layers (k=5) (WT103) — questions courantes
SRU++ Large only 2 attention layers (k=5) (WT103)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 225M. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— qui l'a créé ?
Il a été publié par ASAPP, basé sur United States of America, une organisation catégorisée comme industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— quand a-t-il été publié ?
Il a été publié dans February 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.6 × 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.