MiniMax-VL-01
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
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
- MiniMax
- Szervezet típusa
- Industry
- Ország
- China
- Közölt
- 14 January 2025
- Szerzők
- MiniMax, Aonian Li, Bangwei Gong, Bo Yang, Boji Shan, Chang Liu, Cheng Zhu, Chunhao Zhang, Congchao Guo, Da Chen, Dong Li, Enwei Jiao, Gengxin Li, Guojun Zhang, Haohai Sun, Houze Dong, Jiadai Zhu, Jiaqi Zhuang, Jiayuan Song, Jin Zhu, Jingtao Han, Jingyang Li, Junbin Xie, Junhao Xu, Junjie Yan, Kaishun Zhang, Kecheng Xiao, Kexi Kang, Le Han, Leyang Wang, Lianfei Yu, Liheng Feng, Lin Zheng, Linbo Ch…
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision, Language, Multimodal
- Feladat
- Visual question answering, Language modeling/generation, Question answering
- Alapmodell
- MiniMax-Text-01
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- tokens
"MiniMax-VL-01 undergoes additional training with 512 billion vision-language tokens"
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
- 2.1 × 10²⁴ FLOP
- Hogyan jött létre
- Operation counting
- Finomhangolás számítás
- 1.4 × 10²³ FLOP
1.98288e+24 FLOP [base model compute] + 1.410048e+23 FLOP [addtional vision-language finetune compute] = 2.1238848e+24 FLOP
Assuming same amount of activated parameters (45.9 * 10^9) as for the base model: 6 FLOP / parameter / token * 45.9 * 10^9 activated parameters * 512 * 10^9 tokens = 1.410048e+23 FLOP
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA H800 SXM5
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
- Open — downloadable
- Modell hozzáférés
- Open weights (restricted use)
- Képzés kód
- Unreleased
- Hugging Face
- MiniMaxAI
https://huggingface.co/MiniMaxAI/MiniMax-VL-01 "MiniMax may terminate this Agreement if you are in breach of any term or condition of this Agreement." code seems to be just inference code: https://github.com/MiniMax-AI/MiniMax-01
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Valószínűleg 10²³ FLOP felett
- Yes
- Nyilvántartási bizalom
- Likely
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- MiniMax-01: Scaling Foundation Models with Lightning Attention
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Háttér
MiniMax-VL-01 ki lett adva által MiniMax, az országban rögzítve mint China, alatt January 2025. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.
Működik a területen a Vision, Language, Multimodal, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Language modeling/generation, Question answering.
A kiindulópontja egy meglévő alapmodell volt, MiniMax-Text-01. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.
A nyílt súlyok az okai annak, hogy ez az oldal a kalkulátorban van, és nem csak a katalógusban: ez egy olyan modell, amit valójában meg tudsz tartani. A Hugging Face-en az alábbi szervezet alatt van publikálva MiniMaxAI.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 2.1 × 10²⁴ FLOP, hardveren rögzítve NVIDIA H800 SXM5. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
MiniMax-VL-01 — gyakori kérdések
MiniMax-VL-01— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
MiniMax-VL-01— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
MiniMax-VL-01— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
MiniMax-VL-01— Ki készítette ezt?
Kiadta MiniMax, alapján China, egy szervezet, amelyet kategorizáltak mint industry.
MiniMax-VL-01— Mikor adták ki?
Kibocsátották a January 2025.
MiniMax-VL-01— Mire használják?
Működik a területen a Vision, Language, Multimodal, és rögzítve van, hogy kezeli a feladatot visual question answering, Language modeling/generation, Question answering. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
MiniMax-VL-01— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt MiniMaxAI. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
MiniMax-VL-01— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.1 × 10²⁴ FLOP, hardveren rögzítve NVIDIA H800 SXM5. 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.
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..