BERT-Large-CAS (PTB+WT2+WT103)
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
- Amazon
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 20 April 2019
- Auteurs
- Chenguang Wang, Mu Li, Alexander J. Smola
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Neural Architecture Search - NAS, Language modeling/generation
- Format numérique
- FP32
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
- 395M
- Données d'entraînement
- 1,300,000,000 tokens
- Époques
- 50
395M (Table 6)
Table 7: 0.1B (PTB)+ 0.2B (WT-2) + 1.0B (WT-103) = 1.3B We pick 128 as sequence length and 16 as minibatch size "We use NT-ASGD (Merity et al., 2017) to train 50 epochs on training datasets"
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
- 1.5 × 10²⁰ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 395000000 parameters * 1300000000 parameters * 50 epochs = 1.5405e+20 FLOP ________ in the Algorithmic progress paper, the estimation was 5.21E+20 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
- Open source
Apache 2.0 license: https://github.com/cgraywang/gluon-nlp-1/blob/lmtransformer/scripts/language_model/train/transformer_lm.py
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
- SOTA improvement
- Confiance d'enregistrement
- Likely
- Citations
- 139
- Données de référence
- BERT-Large-CAS (PTB+WT2+WT103)
"CAS achieves perplexities between 20.42 and 34.11 on all problems, i.e. on average an improvement of 12.0 perplexity units compared to state-of-the-art LSTMs"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Language Models with Transformers
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
BERT-Large-CAS (PTB+WT2+WT103) a été publié par Amazon, dans le pays enregistré comme United States of America, durant April 2019. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de neural Architecture Search - NAS, Language modeling/generation.
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 consommé environ 1.5 × 10²⁰ FLOP. 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 1,300,000,000 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
BERT-Large-CAS (PTB+WT2+WT103) — questions courantes
BERT-Large-CAS (PTB+WT2+WT103)— 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.
BERT-Large-CAS (PTB+WT2+WT103)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 395M. 395M (Table 6). 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.
BERT-Large-CAS (PTB+WT2+WT103)— qui l'a créé ?
Il a été publié par Amazon, basé sur United States of America, une organisation catégorisée comme industry.
BERT-Large-CAS (PTB+WT2+WT103)— 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.
BERT-Large-CAS (PTB+WT2+WT103)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de neural Architecture Search - NAS, Language modeling/generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
BERT-Large-CAS (PTB+WT2+WT103)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.5 × 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.
BERT-Large-CAS (PTB+WT2+WT103)— 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.