4 layer QRNN (h=2500)
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
- Salesforce Research
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 22 March 2018
- Auteurs
- Stephen Merity, Nitish Shirish Keskar, Richard Socher
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
- 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
- 151M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 14
Table 6
"The model was trained for 12 hours (14 epochs)"
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
- 5.9 × 10¹⁷ FLOP
- Comment cela a été établi
- Hardware,Operation counting
20670000000000 FLOP / sec / GPU [fp16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.678832e+17FLOP 6 FLOP / token / parameter * 151000000 parameters * 103000000 tokens * 14 epochs = 1.306452e+18 FLOP sqrt(2.678832e+17*1.306452e+18) = 5.9158815e+17 FLOP __________________ in the algorithmic progress paper the estimation was 2.4 × 10^17 FLOP under assumption of 26M parameters
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 Quadro GP100
- Chips utilisés
- 1
- Heures de puce
- 12
- Temps en temps réel
- 12 hours
- Consommation d'énergie
- 268 W
"Results are obtained in only 12 hours (WikiText-103) to 2 days (enwik8) using a single modern GPU"
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
BSD-3 license: https://github.com/salesforce/awd-lstm-lm
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
- 183
- Données de référence
- 4 layer QRNN (h=2500)
"QRNNs achieve stateof-the-art results on character-level (Penn Treebank, enwik8) and word-level (WikiText-103) datasets, respectively"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- An Analysis of Neural Language Modeling at Multiple Scales
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Ce que ce modèle est
4 layer QRNN (h=2500) a été publié par Salesforce Research, dans le pays enregistré comme United States of America, durant March 2018. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 5.9 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Quadro GP100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 103,000,000 jetons de texte
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
4 layer QRNN (h=2500) — questions courantes
4 layer QRNN (h=2500)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. 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.
4 layer QRNN (h=2500)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.9 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Quadro GP100. 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.
4 layer QRNN (h=2500)— 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.
4 layer QRNN (h=2500)— 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.
4 layer QRNN (h=2500)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 151M. 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.
4 layer QRNN (h=2500)— qui l'a créé ?
Il a été publié par Salesforce Research, basé sur United States of America, une organisation catégorisée comme industry.
4 layer QRNN (h=2500)— quand a-t-il été publié ?
Il a été publié dans March 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.
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.