All-attention network + adaptive span
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
- Facebook AI Research
- Type d'organisation
- Industry
- Pays
- United States of America, France
- Publié
- 2 July 2019
- Auteurs
- Sainbayar Sukhbaatar, Edouard Grave, Guillaume Lample, Herve Jegou, Armand Joulin
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/generation
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
- 133M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 31.8
- Taille de lot
- 16,384
133M (Table 3) For word level language modeling, we use a model with d = 512 and 36 layers, each with 8 heads and 2048 persistent vectors.
8k warmup steps A batch consists of 64 samples, each with 256 tokens Following Baevski and Auli [2] on WikiText-103, we use tied adaptive softmax and adaptive input with 3 clusters of size 20k, 40k and 200k assuming 200k steps: 200000*64*256/103000000 = 31.8 epochs
64*256
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
- 1.2 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware,Operation counting
31330000000000 FLOP / sec / GPU [fp16] * 64 GPUs * 24 hours * 3600 sec/hour * 0.3 [assumed utilization] = 5.197271e+19 FLOP 6 FLOP / token / parameter * 200000 steps * 64 sequences per batch * 256 tokens per sequence * 133000000 parameters = 2.6148864e+18 FLOP sqrt(5.197271e+19*2.6148864e+18) = 1.1657733e+19 FLOP likely confidence: i am uncertain about number of steps and v100 precision _________ The Algorithmic Progress paper estimation was 4.6 × 10^19 FLOP
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
- 64
- Temps en temps réel
- 24 hours
- Consommation d'énergie
- 39.5 kW
"Training large models takes about a day on 64 V100 GPUs."
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
- Likely
- Citations
- 156
- Données de référence
- All-attention network + adaptive span
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Augmenting Self-attention with Persistent Memory
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
All-attention network + adaptive span a été publié par Facebook AI Research, dans le pays enregistré comme United States of America, durant July 2019. 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/generation.
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 consommé environ 1.2 × 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.
Il a été entraîné sur un corpus d'environ 103,000,000 jetons de texte
Réponses
All-attention network + adaptive span — questions courantes
All-attention network + adaptive span— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 133M. 133M (Table 3) For word level language modeling, we use a model with d = 512 and 36 layers, each with 8 heads and 2048 persistent vectors. 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.
All-attention network + adaptive span— qui l'a créé ?
Il a été publié par Facebook AI Research, basé sur United States of America, une organisation catégorisée comme industry.
All-attention network + adaptive span— quand a-t-il été publié ?
Il a été publié dans July 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.
All-attention network + adaptive span— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
All-attention network + adaptive span— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.2 × 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.
All-attention network + adaptive span— 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.
All-attention network + adaptive span— 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.