RMSNorm (Transformer-base)
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 Edinburgh,University of Zurich
- Szervezet típusa
- Academia,Academia
- Ország
- United Kingdom of Great Britain and Northern Ireland, Switzerland
- Közölt
- 16 October 2019
- Szerzők
- Biao Zhang, Rico Sennrich
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- 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
- 65M
- Képzési adatok
- 7,500,000,000 tokens
Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf)
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
- 2.8 × 10¹⁸ FLOP
- Hogyan jött létre
- Operation counting,Hardware
6 FLOP/parameter/token * 65000000 parameters * 7500000000 tokens = 2.925e18 FLOP 125000000000000 FLOP/GPU/sec * 19.25 hours * 3600 sec / hour * 1 GPUs * 0.3 [assumed utilization] = 2.59875e18 FLOP sqrt(2.925e18 * 2.59875e18) = 2.7570535e+18 FLOP
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
- 1
- Fali óra idő
- 19 hours
- Teljesítményfogyasztás
- 338 W
Table 4: 231 seconds per 1k training steps 300k steps -> 300*231 seconds -> 19.25 hours
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
BSD-3 clause license https://github.com/bzhangGo/rmsnorm
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Root Mean Square Layer Normalization
- Utoljára frissítve
- 11 February 2026
Mit jelentenek a számok
Mit jelent ez a modell
RMSNorm (Transformer-base) ki lett adva által University of Edinburgh,University of Zurich, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt October 2019. A kiadó kategóriája alá tartozik academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása translation.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A betanításhoz körülbelül egy számítási költségvetés kellett 2.8 × 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.
A tanító készlet kb. futott 7,500,000,000 szöveg tokenjei
Válaszok
RMSNorm (Transformer-base) — gyakori kérdések
RMSNorm (Transformer-base)— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
RMSNorm (Transformer-base)— Hány paramétere van?
Paraméterszáma 65M. Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf). 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.
RMSNorm (Transformer-base)— Ki készítette ezt?
Kiadta University of Edinburgh,University of Zurich, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint academia,Academia.
RMSNorm (Transformer-base)— Mikor adták ki?
Kibocsátották a October 2019. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RMSNorm (Transformer-base)— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot translation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
RMSNorm (Transformer-base)— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.8 × 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.
RMSNorm (Transformer-base)— 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.
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..