Decaying Fast Weights Transformer (WT-103)
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
- Jenni
- Szervezet típusa
- Industry
- Ország
- Singapore
- Közölt
- 9 October 2022
- Szerzők
- Huanru Henry Mao
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
- Alapmodell
- Transformer (Adaptive Input Embeddings) WT103
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 242M
- Képzési adatok
- 103,000,000 tokens
- Epochok
- 192.12
"We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M parameters"
"For both models, we trained with a batch size of 26 for 100,000 iterations. "
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 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
- Finomhangolás számítás
- 5.7 × 10¹⁸ FLOP
Pre-trained model is Transformer (Adaptive Input Embeddings) which was 7.3e19. This is from 8 * 67 V100-hours. fine-tuning: "Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% = 5.7e18 FLOP" 5.7e18 + 7.3e19 is 7.9e19
"Training was performed on a single NVIDIA A40 GPU for 35 hours" 35h, 1 GPU, 149.7e12, 30% 5.7e18 FLOP"
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A40 PCIe
- Használt chipek
- 1
- Fali óra idő
- 35 hours
- Teljesítményfogyasztás
- 330 W
"Training was performed on a single NVIDIA A40 GPU for 35 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
- Unreleased
They have CUDA kernels, don't see pretrain code: https://github.com/jenni-ai/T2FW
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 30
- Benchmark adatok
- Decaying Fast Weights Transformer
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Fine-Tuning Pre-trained Transformers into Decaying Fast Weights
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
Decaying Fast Weights Transformer (WT-103) ki lett adva által Jenni, az országban rögzítve mint Singapore, alatt October 2022. A kiadó kategóriája alá tartozik industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Ahelyett, hogy nulláról lenne betanítva, az származik Transformer (Adaptive Input Embeddings) WT103. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Hogyan lett betanítva
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 7.9 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA A40 PCIe. 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
Decaying Fast Weights Transformer (WT-103) — gyakori kérdések
Decaying Fast Weights Transformer (WT-103)— 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.
Decaying Fast Weights Transformer (WT-103)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.9 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA A40 PCIe. 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.
Decaying Fast Weights Transformer (WT-103)— 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.
Decaying Fast Weights Transformer (WT-103)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Decaying Fast Weights Transformer (WT-103)— Hány paramétere van?
Paraméterszáma 242M. "We fine-tune starting from the checkpoint provided by Baevski and Auli (2019)8, which has 242M parameters". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
Decaying Fast Weights Transformer (WT-103)— Ki készítette ezt?
Kiadta Jenni, alapján Singapore, egy szervezet, amelyet kategorizáltak mint industry.
Decaying Fast Weights Transformer (WT-103)— 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..