IMPALA
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
- DeepMind
- Type d'organisation
- Industry
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 5 February 2018
- Auteurs
- Lasse Espeholt, Hubert Soyer, Remi Munos, Karen Simonyan, Volodymir Mnih, Tom Ward, Yotam Doron, Vlad Firoiu, Tim Harley, Iain Dunning, Shane Legg, Koray Kavukcuoglu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Games
- Tâche
- Atari
- Approche
- Self-supervised learning
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
- 1.6M
- Données d'entraînement
- 11,400,000,000 tokens
"Figure 3 in the paper states that the large architecture has 1.6 million parameters. I am using the large model because it was the only one trained on all the Atari games at once, which seems like the most impressive task in the suite." Source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389
From fig 6, there were 1e10 environment frames, and 24 agents. Thus we note down 2.4e11 for the "dataset size"
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
- 1.7 × 10²⁰ FLOP
- Comment cela a été établi
- Third-party estimation
Source: Ajeya Cotra and Tom Davidson, https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389
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 P100
- Chips utilisés
- 1
- Heures de puce
- 100
- Temps en temps réel
- 100 hours
- Consommation d'énergie
- 286 W
- Coût de calcul
- $53
Maximum training time for IMPALA is 100 hours according to Figure 6. This seems to refer to the 1 GPU model. The 8 GPU model looks to have been trained about 1/8 as long.
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
training code, Apache license: https://github.com/google-deepmind/scalable_agent
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
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 1,829
not an absolute SOTA "IMPALA is able to achieve better performance than previous agents with less data" "We demonstrate the effectiveness of IMPALA for multi-task reinforcement learning on DMLab-30 (a set of 30 tasks from the DeepMind Lab environment (Beattie et al., 2016)) and Atari-57 (all available Atari games in Arcade Learning Environment (Bellemare et al., 2013a)). Our results show that IMPALA is able to achieve better performance than previous agents with less data"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- IMPALA: Scalable Distributed Deep-RL with Importance Weighted Actor-Learner Architectures
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
À propos de ce modèle
IMPALA a été publié par DeepMind, dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant February 2018. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Games, et est enregistré comme exécutant la tâche de atari.
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
L'entraînement a consommé environ 1.7 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA P100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 11,400,000,000 jetons de texte
Son critère d'inclusion : highly cited,SOTA improvement.
Réponses
IMPALA — questions courantes
IMPALA— qui l'a créé ?
Il a été publié par DeepMind, basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme industry.
IMPALA— quand a-t-il été publié ?
Il a été publié dans February 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.
IMPALA— à quoi ça sert ?
Il fonctionne dans le domaine de Games, et est enregistré comme gérant la tâche de atari. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
IMPALA— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.7 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA P100. 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.
IMPALA— 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.
IMPALA— 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.
IMPALA— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1.6M. "Figure 3 in the paper states that the large architecture has 1.6 million parameters. I am using the large model because it was the only one trained on all the Atari games at once, which seems like the most impressive task in the suite." Source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389. 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.
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.