FFN SwiGLU
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
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 14 February 2020
- Auteurs
- Noam Shazeer
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, Question answering
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
- 220M
- Données d'entraînement
- 50,600,083,456 tokens
"We use the same code base, model architecture, and training task as the base model from [Raffel et al.,2019]. The encoder and decoder each consist of 12 layers, with dmodel = 768. For the attention layers, h = 12 and dk = dv = 64. The FFN layers have hidden size df f = 3072." [Raffel et al.,2019]: "Specifically, both the encoder and decoder consist of 12 blocks (each block comprising self-attention, optional encoder-decoder attention, and a feed-forward network). The feed-forward networks in e…
pre-training: "Identically to [Raffel et al., 2019], we pre-train for 524,288 steps on the span-filling objective on the C4 dataset. Each training batch consists of 128 examples, each of which has an input of 512 tokens and an output of 114 tokens" 524288*128*(512+114) = 42010148864 fine-tuning: "Fine-tuning consists of 131072 steps <..>, the input sequences for each step have a combined length of approximately 65,536 tokens." 131072*65536 = 8589934592 42010148864+8589934592 = 50600083456
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
- 3.4 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware,Operation counting
6 FLOP/parameter/token * 220000000 parameters * 50600083456 tokens = 66792110161920000000 FLOP (10^19) 45000000000000 FLOP/GPU/sec * 21.85 hours * 3600 sec / hour * 16 GPUs * 0.3 [assumed utilization] = 16990560000000002000 FLOP (10^19) sqrt(66792110161920000000*16990560000000002000) = 3.3687317e+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
- Google TPU v2
- Chips utilisés
- 16
- Temps en temps réel
- 22 hours
- Consommation d'énergie
- 9.2 kW
"Each training step took approximately 0.15 seconds on a 32-core TPUv2 cluster" -> 16 chips "we pre-train for 524,288 steps" 524288*0.15/3600 ~ 21.85 hours
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.
- Pourquoi c'est suivi
- Historical significance
- Confiance d'enregistrement
- Confident
the paper introduced SwiGLU
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- GLU Variants Improve Transformer
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
FFN SwiGLU a été publié par Google, dans le pays enregistré comme United States of America, durant February 2020. 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, Question answering.
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 3.4 × 10¹⁹ FLOP, sur matériel enregistré comme Google TPU v2. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 50,600,083,456 jetons de texte
Son critère d'inclusion : historical significance.
Réponses
FFN SwiGLU — questions courantes
FFN SwiGLU— 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.
FFN SwiGLU— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 220M. "We use the same code base, model architecture, and training task as the base model from [Raffel et al.,2019]. The encoder and decoder each consist of 12 layers, with dmodel = 768. For the attention layers, h = 12 and dk = dv = 64. The FFN layers have hidden size df f = 3072." [Raffel et al.,2019]: "Specifically, both the encoder and decoder consist of 12 blocks (each block comprising self-attention, optional encoder-decoder attention, and a feed-forward network). The feed-forward networks in each block consist of a dense layer with an output dimensionality of dff = 3072 followed by a ReLU nonlinearity and another dense layer. The “key” and “value” matrices of all attention mechanisms have an inner dimensionality of dkv = 64 and all attention mechanisms have 12 heads. All other sub-layers and embeddings have a dimensionality of dmodel = 768. In total, this results in a model with about 220 million parameters.". 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.
FFN SwiGLU— qui l'a créé ?
Il a été publié par Google, basé sur United States of America, une organisation catégorisée comme industry.
FFN SwiGLU— quand a-t-il été publié ?
Il a été publié dans February 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.
FFN SwiGLU— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling, Question answering. 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.
FFN SwiGLU— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.4 × 10¹⁹ FLOP, sur matériel enregistré comme Google TPU v2. 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.
FFN SwiGLU— 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.
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.