Transformer+Recurrent Windows of 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
- Toyota Technological Institute at Chicago,University of Chicago
- Type d'organisation
- Academia,Academia
- Pays
- United States of America
- Publié
- 16 August 2020
- Auteurs
- Davis Yoshida, Allyson Ettinger, Kevin Gimpel
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
- Modèle de base
- GPT-2 (124M)
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
- 124M
- Données d'entraînement
- tokens
- Époques
- 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
- 7.9 × 10²⁰ FLOP
- Comment cela a été établi
- Operation counting
- Ajustement fin des calculs
- 1.5 × 10¹⁷ FLOP
base model compute (speculative confidence): 7.936e+20 FLOP fine-tune compute: 1.53264e+17 FLOP 7.936e+20 FLOP + 1.53264e+17 FLOP = 7.9375326e+20 FLOP
6 FLOP / token / parameter * 124000000 parameters * 103000000 tokens * 2 epochs = 1.53264e+17 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
- 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
- 7
- Données de référence
- Transformer+Recurrent Windows of Context
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Adding Recurrence to Pretrained Transformers for Improved Efficiency and Context Size
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Transformer+Recurrent Windows of Context a été publié par Toyota Technological Institute at Chicago,University of Chicago, dans le pays enregistré comme United States of America, durant August 2020. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Il s'appuie sur GPT-2 (124M). C'est pourquoi il partage la forme et la taille générales du modèle de base.
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 7.9 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Transformer+Recurrent Windows of Context — questions courantes
Transformer+Recurrent Windows of 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.
Transformer+Recurrent Windows of Context— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 7.9 × 10²⁰ 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.
Transformer+Recurrent Windows of 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.
Transformer+Recurrent Windows of 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.
Transformer+Recurrent Windows of Context— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 124M. 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.
Transformer+Recurrent Windows of Context— qui l'a créé ?
Il a été publié par Toyota Technological Institute at Chicago,University of Chicago, basé sur United States of America, une organisation catégorisée comme academia,Academia.
Transformer+Recurrent Windows of Context— quand a-t-il été publié ?
Il a été publié dans August 2020. 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.
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.