Llama-3.1-Nemotron-70B-Instruct
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- NVIDIA,Meta AI
- Szervezet típusa
- Industry,Industry
- Ország
- United States of America
- Közölt
- 12 June 2024
- Szerzők
- Zhilin Wang, Yi Dong, Olivier Delalleau, Jiaqi Zeng, Gerald Shen, Daniel Egert, Jimmy Zhang, Makesh Narsimhan Sreedhar, Oleksii Kuchaiev
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
- Megközelítés
- Reinforcement learning
- Alapmodell
- Llama 3.1-70B
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 7.9 × 10²⁴ FLOP
- Hogyan jött létre
- Hardware
- Finomhangolás számítás
- 1 × 10²⁰ FLOP
Taken from Llama 3.1 70B as the finetuning compute is multiple orders of magnitude lower
Llama 3.1 70B: 7.929e+24 FT (see Appendix F): 32+64=96 hours on a single H100 Compute: 96*60*60*989500000000000*0.3=102591360000000000000=1e20
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Fali óra idő
- 96 hours
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (restricted use)
- Képzés kód
- Unreleased
- Hugging Face
- nvidia
Your use of this model is governed by the NVIDIA Open Model License. Additional Information: Llama 3.1 Community License Agreement (branding restrictions + cap size of 700M MAu for commercial use). https://huggingface.co/nvidia/Llama-3.1-Nemotron-70B-Instruct-HF
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Valószínűleg 10²³ FLOP felett
- Yes
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
"As of 1 Oct 2024, Llama-3.1-Nemotron-70B-Instruct performs best on Arena Hard, AlpacaEval 2 LC (verified tab) and MT Bench (GPT-4-Turbo)"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- https://www.semanticscholar.org/paper/HelpSteer2%3A-Open-source-dataset-for-training-reward-Wang-Dong/f590d8926dd12345a3bd22253461850f5ca4b3ed
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Mit jelent ez a modell
Llama-3.1-Nemotron-70B-Instruct ki lett adva által NVIDIA,Meta AI, az országban rögzítve mint United States of America, alatt June 2024. A kiadó kategóriája alá tartozik industry,Industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Ahelyett, hogy nulláról lenne betanítva, az származik Llama 3.1-70B. Ez a szokásos módja egy specializált modell előállításának.
Mivel a súlyai ki lettek adva, semmi sem függ attól, hogy egy szolgáltató elérhető marad-e - a tiéd, amint letöltötted. A Hugging Face-en az alábbi szervezet alatt van publikálva nvidia.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.9 × 10²⁴ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
Llama-3.1-Nemotron-70B-Instruct — gyakori kérdések
Llama-3.1-Nemotron-70B-Instruct— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
Llama-3.1-Nemotron-70B-Instruct— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
Llama-3.1-Nemotron-70B-Instruct— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Llama-3.1-Nemotron-70B-Instruct— Ki készítette ezt?
Kiadta NVIDIA,Meta AI, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Industry.
Llama-3.1-Nemotron-70B-Instruct— Mikor adták ki?
Kibocsátották a June 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Llama-3.1-Nemotron-70B-Instruct— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
Llama-3.1-Nemotron-70B-Instruct— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt nvidia. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
Llama-3.1-Nemotron-70B-Instruct— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.9 × 10²⁴ FLOP. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..