Uni-Med
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,Beijing University of Posts and Telecommunications
- Szervezet típusa
- Academia,Academia
- Ország
- China
- Közölt
- 1 November 2024
- Szerzők
- Xun Zhu, Ying Hu, Fanbin Mo, Miao Li, Ji Wu
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Alapmodell
- Llama 2-7B,ViT-G/14
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
- 8.8B
- Képzési adatok
- tokens
7B (LLama) + 1843000000 (ViT) = 8.8B
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
- 1.4 × 10²³ FLOP
- Finomhangolás számítás
- 5.6 × 10¹⁸ FLOP
Finetune: 10*60*60*312000000000000*0.5=5.616e+18 Base models: 8.4e+22, 5.85e+22 Total: 1.4250562e+23
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A800 SXM
- Használt chipek
- 1
- Fali óra idő
- 10 hours
- Teljesítményfogyasztás
- 433 W
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 (restricted use)
https://github.com/MSIIP/Uni-Med (undefined license) I haven't found released pre-trained weights
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
- Hivatkozások
- 23
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Honnan jött
Uni-Med ki lett adva által Tsinghua University,Beijing University of Posts and Telecommunications, az országban rögzítve mint China, alatt November 2024. A kiadó kategóriája alá tartozik academia,Academia.
A kiindulópontja egy meglévő alapmodell volt, Llama 2-7B,ViT-G/14. Ez a szokásos módja egy specializált modell előállításának.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 1.4 × 10²³ FLOP, hardveren rögzítve NVIDIA A800 SXM. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
Uni-Med — gyakori kérdések
Uni-Med— Hány paramétere van?
Paraméterszáma 8.8B. 7B (LLama) + 1843000000 (ViT) = 8.8B. 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.
Uni-Med— Ki készítette ezt?
Kiadta Tsinghua University,Beijing University of Posts and Telecommunications, alapján China, egy szervezet, amelyet kategorizáltak mint academia,Academia.
Uni-Med— Mikor adták ki?
Kibocsátották a November 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Uni-Med— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.4 × 10²³ FLOP, hardveren rögzítve NVIDIA A800 SXM. 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.
Uni-Med— 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.
Uni-Med— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
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..