SRU++ Large only 2 attention layers (k=5) (WT103)
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
- ASAPP
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 24 February 2021
- Szerzők
- Tao Lei
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
- 225M
- Képzési adatok
- tokens
- Epochok
- 34.08
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
- 3.6 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+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
- Fali óra idő
- 33 hours
- 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
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/README.md
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 54
- Benchmark adatok
- SRU++ Large only 2 attention layers (k=5)
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Háttér
SRU++ Large only 2 attention layers (k=5) (WT103) ki lett adva által ASAPP, az országban rögzítve mint United States of America, alatt February 2021. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
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 3.6 × 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.
Válaszok
SRU++ Large only 2 attention layers (k=5) (WT103) — gyakori kérdések
SRU++ Large only 2 attention layers (k=5) (WT103)— Hány paramétere van?
Paraméterszáma 225M. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— Ki készítette ezt?
Kiadta ASAPP, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— Mikor adták ki?
Kibocsátották a February 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.6 × 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
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..