VASA-1
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
- Microsoft Research Asia
- Szervezet típusa
- Industry
- Ország
- China
- Közölt
- 31 October 2024
- Szerzők
- Sicheng Xu, Guojun Chen, Yu-Xiao Guo, Jiaolong Yang, Chong Li, Zhenyu Zang, Yizhong Zhang, Xin Tong, Baining Guo
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Video, Audio
- Feladat
- Video generation
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
- 229M
- Képzési adatok
- tokens
"The parameter counts of our 3D-aided face latent model and diffusion transformer model are about 200M and 29M respectively"
"The total data used for training comprises approximately 500K clips, each lasting between 2 to 10 seconds. "
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
- 4 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
38700000000000 FLOP/GPU/sec * 240 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 40124160000000000000 FLOP
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA RTX A6000
- Használt chipek
- 4
- Fali óra idő
- 240 hours (10 days)
- Teljesítményfogyasztás
- 2.4 kW
"Our face latent model takes around 7 days of training on a 4 NVIDIA RTX A6000 GPUs workstation, and the diffusion transformer takes around 3 days." 10 days = 240 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
- Unreleased
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
- VASA-1: Lifelike Audio-Driven Talking Faces Generated in Real Time
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
VASA-1 ki lett adva által Microsoft Research Asia, az országban rögzítve mint China, alatt October 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.
Működik a területen a Video, Audio, és úgy van rögzítve, mint a feladat végrehajtása video generation.
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 4 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA RTX A6000. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
VASA-1 — gyakori kérdések
VASA-1— Mikor adták ki?
Kibocsátották a October 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
VASA-1— Mire használják?
Működik a területen a Video, Audio, és rögzítve van, hogy kezeli a feladatot video generation. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
VASA-1— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 4 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA RTX A6000. 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.
VASA-1— 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.
VASA-1— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
VASA-1— Hány paramétere van?
Paraméterszáma 229M. "The parameter counts of our 3D-aided face latent model and diffusion transformer model are about 200M and 29M respectively". 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.
VASA-1— Ki készítette ezt?
Kiadta Microsoft Research Asia, alapján China, egy szervezet, amelyet kategorizáltak mint industry.
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..