KEPLER
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
- 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
- Közölt
- 23 November 2020
- Szerzők
- Xiaozhi Wang, Tianyu Gao, Zhaocheng Zhu, Zhiyuan Liu, Juanzi Li, and Jian Tang.
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Relation extraction
- Megközelítés
- Self-supervised learning
- Alapmodell
- RoBERTa Base
- Numerikus formátum
- FP16
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
- 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 tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, 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 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
- Open source
MIT License, includes train code https://github.com/THU-KEG/KEPLER
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 819
"Experimental results show that KEPLER achieves state-of-the-art performances on various NLP tasks"
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- KEPLER: A Unified Model for Knowledge Embedding and Pre- trained Language Representation.
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
KEPLER ki lett adva által Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, az országban rögzítve mint China, alatt November 2020. A kiadó kategóriája alá tartozik academia,Academia,Academia,Research collective,Academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása relation extraction.
Ez alapoz. RoBERTa Base. Ezért osztja a bázismodell általános formáját és méretét.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 1.7 × 10²¹ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 3,533,640,000 szöveg tokenjei
A kiválasztási kritériuma: sOTA improvement.
Válaszok
KEPLER — gyakori kérdések
KEPLER— Mikor adták ki?
Kibocsátották a November 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
KEPLER— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot relation extraction. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
KEPLER— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.7 × 10²¹ FLOP. 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.
KEPLER— 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.
KEPLER— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
KEPLER— Hány paramétere van?
Paraméterszáma 125M. 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.
KEPLER— Ki készítette ezt?
Kiadta Tsinghua University,Mila - Quebec AI (originally Montreal Institute for Learning Algorithms),HEC,CIFAR AI Research,Princeton University,University of Montreal / Université de Montréal, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Research collective,Academia,Academia.
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..