Uni-Med
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
- Tsinghua University,Beijing University of Posts and Telecommunications
- Type d'organisation
- Academia,Academia
- Pays
- China
- Publié
- 1 November 2024
- Auteurs
- Xun Zhu, Ying Hu, Fanbin Mo, Miao Li, Ji Wu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Modèle de base
- Llama 2-7B,ViT-G/14
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
- 8.8B
- Données d'entraînement
- tokens
7B (LLama) + 1843000000 (ViT) = 8.8B
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
- 1.4 × 10²³ FLOP
- Ajustement fin des calculs
- 5.6 × 10¹⁸ FLOP
Finetune: 10*60*60*312000000000000*0.5=5.616e+18 Base models: 8.4e+22, 5.85e+22 Total: 1.4250562e+23
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 A800 SXM
- Chips utilisés
- 1
- Temps en temps réel
- 10 hours
- Consommation d'énergie
- 433 W
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 (restricted use)
https://github.com/MSIIP/Uni-Med (undefined license) I haven't found released pre-trained weights
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.
- Probablement au-dessus de 10²³ FLOP
- Yes
- Confiance d'enregistrement
- Likely
- Citations
- 23
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
Uni-Med a été publié par Tsinghua University,Beijing University of Posts and Telecommunications, dans le pays enregistré comme China, durant November 2024. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Son point de départ était un modèle de base existant, Llama 2-7B,ViT-G/14. C'est la façon habituelle de produire un modèle spécialisé.
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 1.4 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A800 SXM. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Uni-Med — questions courantes
Uni-Med— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 8.8B. 7B (LLama) + 1843000000 (ViT) = 8.8B. 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.
Uni-Med— qui l'a créé ?
Il a été publié par Tsinghua University,Beijing University of Posts and Telecommunications, basé sur China, une organisation catégorisée comme academia,Academia.
Uni-Med— quand a-t-il été publié ?
Il a été publié dans November 2024. 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.
Uni-Med— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.4 × 10²³ FLOP, sur matériel enregistré comme NVIDIA A800 SXM. 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.
Uni-Med— 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.
Uni-Med— 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.