Transformer-XL + PowerSGD + L-Greco
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
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
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Szervezet típusa
- Academia,Industry
- Ország
- Austria, United States of America
- Közölt
- 31 October 2022
- Szerzők
- Mohammadreza Alimohammadi, Ilia Markov, Elias Frantar, Dan Alistarh
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
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
- 103,000,000 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
- 1.3 × 10¹⁸ FLOP
- Hogyan jött létre
- Hardware
35580000000000 FLOP / sec [fp16 precision assumed] * 15400 sec [see training time notes] * 8 GPUs * 0.3 [assumed utilization] = 1.3150368e+18 FLOP _______ They used similar estimation (4.14 × 10^17 FLOP) in the Algorithmic Progress paper - not sure how exactly it was calculated
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA GeForce RTX 3090
- Használt chipek
- 8
- Fali óra idő
- 4 hours
- Teljesítményfogyasztás
- 5.6 kW
40k steps [table 7] * 0.385 sec/step [figure 3] = 15400 sec = 4.28 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
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Open source
Apache 2. looks like just code: https://github.com/LGrCo/L-GreCo/tree/master/Transformer-XL
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 4
- Benchmark adatok
- Transformer-XL + PowerSGD + L-Greco
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- L-GreCo: An Efficient and General Framework for Layerwise-Adaptive Gradient Compression
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
Transformer-XL + PowerSGD + L-Greco ki lett adva által Institute of Science and Technology Austria (ISTA),Neural Magic, az országban rögzítve mint Austria, alatt October 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Hogyan lett betanítva
A képzés futás körülbelül 1.3 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A tanító készlet kb. futott 103,000,000 szöveg tokenjei
Válaszok
Transformer-XL + PowerSGD + L-Greco — gyakori kérdések
Transformer-XL + PowerSGD + L-Greco— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Transformer-XL + PowerSGD + L-Greco— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.3 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090. 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.
Transformer-XL + PowerSGD + L-Greco— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
Transformer-XL + PowerSGD + L-Greco— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Transformer-XL + PowerSGD + L-Greco— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Transformer-XL + PowerSGD + L-Greco— Ki készítette ezt?
Kiadta Institute of Science and Technology Austria (ISTA),Neural Magic, alapján Austria, egy szervezet, amelyet kategorizáltak mint academia,Industry.
Transformer-XL + PowerSGD + L-Greco— Mikor adták ki?
Kibocsátották a October 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..