KEPLER
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal
- Szervezet típusa
- Academia,Academia,Academia,Research collective,Academia,Academia
- Ország
- China, Canada, France, United States of America
- Kiadva
- 23 November 2020
- Szerzők
- Xiaozhi Wang, Tianyu Gao, Zhaocheng Zhu, Zhiyuan Liu, Juanzi Li, and Jian Tang.
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Language
- Feladat
- Relation extraction
- Approach
- Self-supervised learning
- Base model
- RoBERTa Base
- Numerical format
- FP16
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 125M
- Képzési adatok
- 3,533,640,000 tokens
For BookCorpus + English Wikipedia: 800M + 2500M For Wikidata5M: 20614279 See table 1. Contains "entities", "relations", and "triplets"
Képzés számítás
A modell betanításához végzett aritmetikai műveletek, amelyet lebegőpontos műveletekben mérnek. Ez a tréning futásának költségét méri, nem azt, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 1.7 × 10²¹ FLOP
- Hogyan jött létre
- Hardware
From author communication "About 128 GPU-days using Nvidia V100 (16GB). " precision: float16 V100 GPU for float16: 28000000000000 (2.8E+13) 0.4 * 28TFLOP/s * 128 GPU-days * 24h/day * 3600s/h = 1.24E+20 "and use the released roberta.base parameters for initialization, which is a common practice to save pre-training time" Roberta base FLOP: 1.536e+21 Total:1.660000e+21
Elérhetőség
Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Open source
MIT License, includes train code https://github.com/THU-KEG/KEPLER
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Miért követik nyomon
- SOTA improvement
- Rögzítési bizalom
- Confident
- Citations
- 819
"Experimental results show that KEPLER achieves state-of-the-art performances on various NLP tasks"
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- KEPLER: A Unified Model for Knowledge Embedding and Pre- trained Language Representation.
- Utoljára frissítve
- 25 May 2026
Mit jelentek a számok
Erről a modellről
KEPLER was published by Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, in China, in November 2020. academia,Academia,Academia,Research collective,Academia,Academia is the category the publisher falls under.
It works in Language, and is recorded as doing relation extraction.
It builds on RoBERTa Base, which is why it shares that model's general shape and size.
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Mi került a megépítésébe
Training it took roughly 1.7 × 10²¹ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
Around 3,533,640,000 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Válaszok
KEPLER — Gyakran ismételt kérdések
When was KEPLER released?
A KEPLER 2020 novemberében jelent meg. A paraméterenkénti képesség jelentősen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználást jelent ugyanazon a hardveren.
What is KEPLER used for?
KEPLER works in Language, and is recorded as handling relation extraction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train KEPLER?
Around 1.7 × 10²¹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run KEPLER?
None. KEPLER is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is KEPLER open source?
No. KEPLER has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does KEPLER have?
KEPLER has 125M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created KEPLER?
KEPLER was published by Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, based in China, categorised as academia,Academia,Academia,Research collective,Academia,Academia.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.