Demist-2
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
- Darktrace
- Szervezet típusa
- Industry
- Ország
- United Kingdom of Great Britain and Northern Ireland
- Kiadva
- 17 April 2025
- Szerzők
- Miguel Neves Fonseca, Philip Sellars, Tim Bazalgette
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Language
- Feladat
- Language modeling/generation, Text classification, Question answering, Entity embedding
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
- 95M
- Képzési adatok
- 351,000,000,000 tokens
- Epókák
- 1.8
95M
C4: We extracted a 305 billion token subset URIs: We extracted the available URIs from several Common Crawl web scrapes. This allowed us to create a large corpus of 10 billion tokens. Linked Hostnames: Using the Common Crawl dataset, we extracted the observed links between web pages. <..> We further processed this data into rows of hostnames that shared linking properties which totaled 11 billion tokens. HTTP Data: 25 billion tokens. 305 + 10 + 11 + 25 = 351 b tokens "1.2 million optimization …
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
- 4.6 × 10²⁰ FLOP
- Hogyan jött létre
- Operation counting,Hardware
6 FLOP / parameter / token * 95 * 10^6 parameters * 351 * 10^9 tokens [see dataset size notes] *1.8 epochs = 3.60126e+20 FLOP 312000000000000 FLOP / GPU / sec [A100 reported] * 8 GPUs * 216 hours [9 days reported] * 3600 sec / hour * 0.3 [assumed utilization] = 5.8226688e+20 FLOP sqrt(3.60126e+20 * 5.8226688e+20) = 4.579186e+20 FLOP
A képzési futam
A kiképzéshez fizikailag szükséges volt: milyen chipek, hány, meddig és mennyi áramot vett le a hálózatról.
- Képzési hardver
- NVIDIA A100
- Felhasznált chipek
- 8
- Wall-clock time
- 216 hours (9 days)
- Energiafogyasztás
- 6.3 kW
- Cloud vendor
- AWS,Amazon Web Services
"DEMIST-2 was trained on 8 A100 GPUs over a nine-day period using the AWS Sagemaker platform." 9 days = 216 hours
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
- Hosted access (no API)
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Confident
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- DEMIST-2: Darktrace Embedding Model for Investigation of Security Threats
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Where it came from
Demist-2 was published by Darktrace, in United Kingdom of Great Britain and Northern Ireland, in April 2025. The organisation is categorised as industry.
It works in Language, and is recorded as doing language modeling/generation, Text classification, Question answering, Entity embedding.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Training and provenance
Training it took roughly 4.6 × 10²⁰ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
Around 351,000,000,000 tokens went into training it.
Válaszok
Demist-2 — Gyakran ismételt kérdések
Who created Demist-2?
Demist-2 was published by Darktrace, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was Demist-2 released?
Demist-2 was published in April 2025.
What is Demist-2 used for?
Demist-2 works in Language, and is recorded as handling language modeling/generation, Text classification, Question answering, Entity embedding. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Demist-2?
Around 4.6 × 10²⁰ FLOP, on NVIDIA A100. 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 Demist-2?
None. Demist-2 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 Demist-2 open source?
No. Demist-2 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Demist-2 have?
Demist-2 has 95M parameters. 95M. 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.
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.