Mesh-TensorFlow Transformer 2.9B (translation)
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
- Google Brain
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 5 November 2018
- Auteurs
- Noam Shazeer, Youlong Cheng, Niki Parmar, Dustin Tran, Ashish Vaswani, Penporn Koanantakool, Peter Hawkins, Hyoukjoong Mingsheng Lee, Cliff Hong, Ryan Young, Blake Sepassi, Hechtman
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, 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
- 2.9B
- Données d'entraînement
- 1,550,000,000 tokens
- Époques
- 10
2.9B from section 9.1 : "On the WMT14 En-Fr translation tasks (3), we trained the models for 3 epochs. The largest model (2.9B parameters) was trained for 22 hours on a 128-core TPUv2 cluster."
Per Attention is All You Need, WMT 2014 En-Fr is ~36 million sentence pairs. If the average sentence is ~25 tokens (ballpark), dataset size is 36M * 25 * 2 = 1.8B 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
- 6.8 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
flops = (64) * ( 45 * 10**12) * (22 * 3600) * (0.3) = 6.8e19 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) from section 9.1 : "On the WMT14 En-Fr translation tasks (3), we trained the models for 3 epochs. The largest model (2.9B parameters) was trained for 22 hours on a 128-core TPUv2 cluster." from https://en.wikipedia.org/wiki/Tensor_Processing_Unit 45TFLOPs per chips
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
- 64
- Heures de puce
- 1,408
- Temps en temps réel
- 22 hours
- Consommation d'énergie
- 37.0 kW
- Coût de calcul
- $396
from section 9.1 "On the WMT14 En-Fr translation tasks (3), we trained the models for 3 epochs. The largest model (2.9B parameters) was trained for 22 hours on a 128-core TPUv2 cluster."
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
code here, apache license https://github.com/tensorflow/mesh/tree/master/mesh_tensorflow/transformer https://github.com/tensorflow/mesh/blob/master/mesh_tensorflow/transformer/transformer.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
- 437
'Using TPU meshes of up to 512 cores, we train Transformer models with up to 5 billion parameters, surpassing state of the art results on WMT'14 English-to-French translation task and the one-billion-word language modeling benchmark.'
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Mesh-TensorFlow: Deep Learning for Supercomputers
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
Mesh-TensorFlow Transformer 2.9B (translation) a été publié par Google Brain, dans le pays enregistré comme United States of America, durant November 2018. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Translation.
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
La production a nécessité des calculs totalisant environ 6.8 × 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 1,550,000,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
Mesh-TensorFlow Transformer 2.9B (translation) — questions courantes
Mesh-TensorFlow Transformer 2.9B (translation)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2.9B. 2.9B from section 9.1 : "On the WMT14 En-Fr translation tasks (3), we trained the models for 3 epochs. The largest model (2.9B parameters) was trained for 22 hours on a 128-core TPUv2 cluster.". 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.
Mesh-TensorFlow Transformer 2.9B (translation)— qui l'a créé ?
Il a été publié par Google Brain, basé sur United States of America, une organisation catégorisée comme industry.
Mesh-TensorFlow Transformer 2.9B (translation)— quand a-t-il été publié ?
Il a été publié dans November 2018. 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.
Mesh-TensorFlow Transformer 2.9B (translation)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Translation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Mesh-TensorFlow Transformer 2.9B (translation)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 6.8 × 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.
Mesh-TensorFlow Transformer 2.9B (translation)— 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.
Mesh-TensorFlow Transformer 2.9B (translation)— 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.