RMSNorm (Transformer-base)

Poids fermés University of Edinburgh,University of Zurich 65M paramètres October 2019

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..

Parcourez les modèles que vous pouvez exécuter à la place

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 Edinburgh,University of Zurich
Type d'organisation: Academia,Academia
Pays: United Kingdom of Great Britain and Northern Ireland, Switzerland
Publié: 16 October 2019
Auteurs: Biao Zhang, Rico Sennrich

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Language
Tâche: Translation

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: 65M
Données d'entraînement: 7,500,000,000 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: 2.8 × 10¹⁸ FLOP
Comment cela a été établi: Operation counting,Hardware

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: 1
Temps en temps réel: 19 hours
Consommation d'énergie: 338 W

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

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

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: Root Mean Square Layer Normalization
Dernière mise à jour: 11 February 2026

Ce que les chiffres signifient

Ce que ce modèle est

RMSNorm (Transformer-base) a été publié par University of Edinburgh,University of Zurich, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant October 2019. 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 translation.

Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.

Qu'est-ce qui a été nécessaire pour le construire

L'entraînement a nécessité un budget de calcul d'environ 2.8 × 10¹⁸ 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 7,500,000,000 jetons de texte

Réponses

RMSNorm (Transformer-base) — questions courantes

RMSNorm (Transformer-base)— 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.

RMSNorm (Transformer-base)— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 65M. Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf). 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.

RMSNorm (Transformer-base)— qui l'a créé ?

Il a été publié par University of Edinburgh,University of Zurich, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia,Academia.

RMSNorm (Transformer-base)— quand a-t-il été publié ?

Il a été publié dans October 2019. 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.

RMSNorm (Transformer-base)— à quoi ça sert ?

Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de translation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

RMSNorm (Transformer-base)— combien de puissance de calcul a été utilisée pour l'entraîner ?

L'entraînement a consommé environ 2.8 × 10¹⁸ 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.

RMSNorm (Transformer-base)— 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.

Source

Publication originale

Dernière mise à jour enregistrée 11 February 2026

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.

Tous les modèles AI