Segatron-XL large, M=384 + HCP
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
- Microsoft Research,University of Waterloo
- Szervezet típusa
- Industry,Academia
- Ország
- United States of America, Canada
- Közölt
- 21 March 2022
- Szerzők
- He Bai, Tong Wang, Alessandro Sordoni, Peng Shi
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.
- Paraméterek
- 257M
- Képzési adatok
- 103,000,000 tokens
- Epochok
- 167.02
257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128.
103000000 tokens - size of wikitext 103 Training steps: 350,000 steps Sequence length: 384 tokens Batch size: 128 Tokens per batch = 384 tokens/batch × 128 = 49,152 tokens/batch Total tokens = 49,152 tokens/batch × 350,000 steps = 17.2 billion tokens 17200000000/103000000 = 167 epochs
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
- 2.7 × 10¹⁹ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / token / parameter * 257000000 parameters * 384 tokens/batch × 128 [batch size] * 350000 steps = 2.6527334e+19 FLOP
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 (non-commercial)
code, no license https://github.com/richardbaihe/robustlm
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 17
- Benchmark adatok
- Segatron-XL large, M=384 + HCP
"Empirically, this curriculum learning strategy consistently improves perplexity over various large, highly-performant state-of-the-art Transformer-based models on two datasets, WikiText-103 and ARXIV"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Better Language Model with Hypernym Class Prediction
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
Segatron-XL large, M=384 + HCP ki lett adva által Microsoft Research,University of Waterloo, az országban rögzítve mint United States of America, alatt March 2022. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 2.7 × 10¹⁹ FLOP. 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
A kiválasztási kritériuma: sOTA improvement.
Válaszok
Segatron-XL large, M=384 + HCP — gyakori kérdések
Segatron-XL large, M=384 + HCP— Ki készítette ezt?
Kiadta Microsoft Research,University of Waterloo, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Academia.
Segatron-XL large, M=384 + HCP— Mikor adták ki?
Kibocsátották a March 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.7 × 10¹⁹ 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.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Segatron-XL large, M=384 + HCP— Hány paramétere van?
Paraméterszáma 257M. 257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128. 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.
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..