Subformer (83M)
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 Tokyo,National Institute of Advanced Industrial Science and Technology (AIST)
- Szervezet típusa
- Academia,Academia
- Ország
- Japan
- Közölt
- 1 January 2021
- Szerzők
- Machel Reid, Edison Marrese-Taylor, Yutaka Matsuo
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling/generation, Translation
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
- 83M
- Képzési adatok
- tokens
- Epochok
- 70.29
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
- 3.5 × 10¹⁸ FLOP
- Hogyan jött létre
- Operation counting
"Warming up the learn- ing rate to 1.0 for 16K iterations, and then an- nealing for 270K iterations using a cosine anneal- ing schedule" "When training our lan- guage models, we use 8 GPUs with 3072 tokens per GPU and an update frequency of 3" 286k iterations Effective batch size: 8*3072=24576 Total training tokens: 286000*24576=7028736000 Training FLOP: 6*7028736000*83000000=3.5003105e+18
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
- 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, but not for language modeling: https://github.com/machelreid/subformer/blob/master/README.md
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
- Hivatkozások
- 60
- Benchmark adatok
- Subformer (83M)
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Subformer: Exploring Weight Sharing for Parameter Efficiency in Generative Transformers
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
Subformer (83M) ki lett adva által University of Tokyo,National Institute of Advanced Industrial Science and Technology (AIST), az országban rögzítve mint Japan, alatt January 2021. A kiadó szervezet a következő kategóriába tartozik academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Translation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 3.5 × 10¹⁸ 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
Subformer (83M) — gyakori kérdések
Subformer (83M)— Ki készítette ezt?
Kiadta University of Tokyo,National Institute of Advanced Industrial Science and Technology (AIST), alapján Japan, egy szervezet, amelyet kategorizáltak mint academia,Academia.
Subformer (83M)— Mikor adták ki?
Kibocsátották a January 2021. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Subformer (83M)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Translation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
Subformer (83M)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.5 × 10¹⁸ 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.
Subformer (83M)— 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.
Subformer (83M)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Subformer (83M)— Hány paramétere van?
Paraméterszáma 83M. 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..