FMMformer (2-kernel fast weight + Band20)
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
- University of California Los Angeles (UCLA),University of Utah
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Közölt
- 5 August 2021
- Szerzők
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling, Text classification
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
- 40M
- Képzési adatok
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Hogyan jött létre
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 FLOP
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 Ti
- Használt chipek
- 4
- Teljesítményfogyasztás
- 3.6 kW
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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 38
- Benchmark adatok
- FMMformer (2-kernel fast weight + Band20)
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Honnan jött
FMMformer (2-kernel fast weight + Band20) ki lett adva által University of California Los Angeles (UCLA),University of Utah, az országban rögzítve mint United States of America, alatt August 2021. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling, Text classification.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 2.5 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090 Ti. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
FMMformer (2-kernel fast weight + Band20) — gyakori kérdések
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
FMMformer (2-kernel fast weight + Band20)— Hány paramétere van?
Paraméterszáma 40M. 40M (caption to Table 2). 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.
FMMformer (2-kernel fast weight + Band20)— Ki készítette ezt?
Kiadta University of California Los Angeles (UCLA),University of Utah, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia.
FMMformer (2-kernel fast weight + Band20)— Mikor adták ki?
Kibocsátották a August 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
FMMformer (2-kernel fast weight + Band20)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling, Text classification. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
FMMformer (2-kernel fast weight + Band20)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.5 × 10¹⁶ FLOP, hardveren rögzítve NVIDIA GeForce RTX 3090 Ti. 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..