MuseNet
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
- OpenAI
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 25 April 2019
- Auteurs
- OpenAI
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Audio
- Tâche
- Audio 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
- 2B
- Données d'entraînement
- tokens
From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744
“hundreds of thousands of MIDI files”
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
- 2.2 × 10²⁰ FLOP
- Comment cela a été établi
- Operation counting
From article: 72 Layers 24 Attention heads 4096 ctx length Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Average sequence length: 5000 Epochs: 5 Training data: 500000 Forward FLOP: Attention: 2*H*(W*(2*D+N)+L*(D+N)+N*M) 2*24*(1536*(2*64+64)+4096*(64+64)+64*1536)=44040192 MLP: 2*(1536*6144+6144*1536)=37748736 Total forward flop: 72*(44040192+37748736)=5888802816 Training compute 5888802816*3*500000*5000*5=220830105600000000000=2.2e20
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
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
- Significant use
- Confiance d'enregistrement
- Likely
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- MuseNet
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
MuseNet a été publié par OpenAI, dans le pays enregistré comme United States of America, durant April 2019. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Audio, et est enregistré comme exécutant la tâche de audio 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 2.2 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
La raison pour laquelle il apparaît dans ce catalogue. significant use.
Réponses
MuseNet — questions courantes
MuseNet— à quoi ça sert ?
Il fonctionne dans le domaine de Audio, et est enregistré comme gérant la tâche de audio generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
MuseNet— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.2 × 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.
MuseNet— 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.
MuseNet— 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.
MuseNet— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2B. From article: 72 Layers 24 Attention heads Assumptions: D_head = 64 (GPT-2) D_model = 24*64=1536 (based on D_head) D_mlp = 4*1536=6144 Attention: H*(W*(2*D+N)+N*M) 24*(1536*(2*64+64)+64*1536)=9437184 MLP: 1536*6144+6144*1536=18874368 Total parameters: 72*(9437184+18874368)=2038431744. 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.
MuseNet— qui l'a créé ?
Il a été publié par OpenAI, basé sur United States of America, une organisation catégorisée comme industry.
MuseNet— quand a-t-il été publié ?
Il a été publié dans April 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.
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.