Transformer+Recurrent Windows of Context
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
- Toyota Technological Institute at Chicago,University of Chicago
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Közölt
- 16 August 2020
- Szerzők
- Davis Yoshida, Allyson Ettinger, Kevin Gimpel
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Language modeling
- Alapmodell
- GPT-2 (124M)
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
- 124M
- Képzési adatok
- tokens
- Epochok
- 2
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
- 7.9 × 10²⁰ FLOP
- Hogyan jött létre
- Operation counting
- Finomhangolás számítás
- 1.5 × 10¹⁷ FLOP
base model compute (speculative confidence): 7.936e+20 FLOP fine-tune compute: 1.53264e+17 FLOP 7.936e+20 FLOP + 1.53264e+17 FLOP = 7.9375326e+20 FLOP
6 FLOP / token / parameter * 124000000 parameters * 103000000 tokens * 2 epochs = 1.53264e+17 FLOP
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
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Speculative
- Hivatkozások
- 7
- Benchmark adatok
- Transformer+Recurrent Windows of Context
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Adding Recurrence to Pretrained Transformers for Improved Efficiency and Context Size
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Háttér
Transformer+Recurrent Windows of Context ki lett adva által Toyota Technological Institute at Chicago,University of Chicago, az országban rögzítve mint United States of America, alatt August 2020. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling.
Ez alapoz. GPT-2 (124M). Ezért osztja a bázismodell általános formáját és méretét.
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 7.9 × 10²⁰ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
Transformer+Recurrent Windows of Context — gyakori kérdések
Transformer+Recurrent Windows of Context— 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.
Transformer+Recurrent Windows of Context— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 7.9 × 10²⁰ 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.
Transformer+Recurrent Windows of Context— 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.
Transformer+Recurrent Windows of Context— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
Transformer+Recurrent Windows of Context— Hány paramétere van?
Paraméterszáma 124M. 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.
Transformer+Recurrent Windows of Context— Ki készítette ezt?
Kiadta Toyota Technological Institute at Chicago,University of Chicago, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Academia.
Transformer+Recurrent Windows of Context— Mikor adták ki?
Kibocsátották a August 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
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..