T2R + Random Init
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 Washington,Microsoft,DeepMind,Allen Institute for AI
- Szervezet típusa
- Academia,Industry,Industry,Research collective
- Ország
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Közölt
- 24 March 2021
- Szerzők
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
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
- 450M
- Képzési adatok
- 103,000,000 tokens
- Epochok
- 205.48
- Tételméret
- 74,000
450M source: https://arxiv.org/pdf/2203.12644 table 3
"We train the model with a batch size of about 74K tokens with a total of 286K steps" 74000*286000 / 103000000 = 205.48 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,Hardware
6 FLOP / token / parameter * 450000000 parameters * 74000 tokens per batch * 286000 steps = 5.71428e+19 FLOP 125000000000000 [assumed bf16] * 98 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.323e+19 FLOP geometric mean: sqrt(5.71428e+19*1.323e+19) = 2.749544e+19
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA V100
- Használt chipek
- 8
- Chip-óra
- 98
- Teljesítményfogyasztás
- 4.9 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
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 94
- Benchmark adatok
- T2R + Random Init
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Finetuning Pretrained Transformers into RNNs
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
T2R + Random Init ki lett adva által University of Washington,Microsoft,DeepMind,Allen Institute for AI, az országban rögzítve mint United States of America, alatt March 2021. A kiadó kategóriája alá tartozik academia,Industry,Industry,Research collective.
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.
Mi került a felépítésébe
A képzés futás körülbelül 2.7 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA V100. 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
T2R + Random Init — gyakori kérdések
T2R + Random Init— 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.
T2R + Random Init— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
T2R + Random Init— Hány paramétere van?
Paraméterszáma 450M. 450M source: https://arxiv.org/pdf/2203.12644 table 3. 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.
T2R + Random Init— Ki készítette ezt?
Kiadta University of Washington,Microsoft,DeepMind,Allen Institute for AI, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry,Industry,Research collective.
T2R + Random Init— Mikor adták ki?
Kibocsátották a March 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
T2R + Random Init— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
T2R + Random Init— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.7 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA V100. 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..