Dexterous In-Hand Manipulation [control policy]
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
- 1 August 2018
- Auteurs
- Marcin Andrychowicz, Bowen Baker, Maciek Chociej, Rafal Jozefowicz, Bob McGrew, Jakub Pachocki, Arthur Petron, Matthias Plappert, Glenn Powell, Alex Ray, Jonas Schneider, Szymon Sidor, Josh Tobin, Peter Welinder, Lilian Weng, Wojciech Zaremba
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Robotics
- Tâche
- Robotic manipulation
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
- 3.2M
- Données d'entraînement
- tokens
See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-…
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
- Hardware
In experiments, runs were typically conducted for 50 hours of wall time, with up to 32 GPUs. Table 10 specifies V100 GPUs for training the policy. Assume V100 base variant, BF16, 0.3 utilization V100 tensor FP16 performance = 1.25e14 FLOP/s 32 GPUs * (0.3 * 1.25e14 FLOP/s/GPU) * (3600 s/1 hr) * 50 hr = 2.16e+20 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
- 8
- Temps en temps réel
- 50 hours
- Consommation d'énergie
- 5.0 kW
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
- Confident
- Citations
- 2,156
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning Dexterous In-Hand Manipulation
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Dexterous In-Hand Manipulation [control policy] a été publié par OpenAI, dans le pays enregistré comme United States of America, durant August 2018. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Robotics, et est enregistré comme exécutant la tâche de robotic manipulation.
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.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 2.2 × 10²⁰ 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.
Réponses
Dexterous In-Hand Manipulation [control policy] — questions courantes
Dexterous In-Hand Manipulation [control policy]— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.2 × 10²⁰ 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.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 3.2M. See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-RELU: 1024 out [Table 10, assume bias] - LSTM: 512 out [Table 10, assume bias] - FC (implied?): 20 out [Appendix C.1, Actions] parameters: - FC-RELU: 23552 [(22+1)*1024] - normalization: 0 [ignored] - LSTM: 3147776 [4*(1024+512+1)*512] - FC (Implied?): 10260 [(512+1)*20]. 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.
Dexterous In-Hand Manipulation [control policy]— qui l'a créé ?
Il a été publié par OpenAI, basé sur United States of America, une organisation catégorisée comme industry.
Dexterous In-Hand Manipulation [control policy]— quand a-t-il été publié ?
Il a été publié dans August 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.
Dexterous In-Hand Manipulation [control policy]— à quoi ça sert ?
Il fonctionne dans le domaine de Robotics, et est enregistré comme gérant la tâche de robotic manipulation. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
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.