NVLM-H 72B
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
- NVIDIA
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 22 October 2024
- Szerzők
- Wenliang Dai, Nayeon Lee, Boxin Wang, Zhuolin Yang, Zihan Liu, Jon Barker, Tuomas Rintamaki, Mohammad Shoeybi, Bryan Catanzaro, Wei Ping
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision, Language
- Feladat
- Language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning
- Alapmodell
- Qwen2-72B,InternViT-6B
- Numerikus formátum
- BF16
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
- 72B
- Képzési adatok
- 125,829,120,000 tokens
- Epochok
- 1
72B
Pre-training: Global batch size 2,048 Sequence length in the LLM decoder 512 Downsampling of visual tokens 1024->256 # of visual token per tile 256 # of tiles 6+1 # of training steps 20K 2048 * (512+256*7) * 20000 = 94,371,840,000 SFT: Global batch size 256 Sequence length in the LLM decoder 1,280 # of visual token per tile 256 # of tiles 6+1 # of training steps 40K 256*(1280+256*7)*40000 = 31,457,280,000 94,371,840,000 + 31,457,280,000 = 125,829,120,000
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
- 3 × 10²⁴ FLOP
- Hogyan jött létre
- Operation counting
- Finomhangolás számítás
- 5.4 × 10²² FLOP
Additional compute in this paper is negligible relative to the compute used to train the language model backbone (Qwen2-72B at 3.02e24 FLOP)
6ND = 6*125,829,120,000*72000000000.00 = 5.436e22
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA H100 SXM5 80GB
- Használt chipek
- 128
- Teljesítményfogyasztás
- 176.4 kW
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.
- Valószínűleg 10²³ FLOP felett
- Yes
- Miért követik nyomon
- Training cost
- Nyilvántartási bizalom
- Likely
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- NVLM: Open Frontier-Class Multimodal LLMs
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
NVLM-H 72B ki lett adva által NVIDIA, az országban rögzítve mint United States of America, alatt October 2024. Egy olyan szervezetből származik, amelyet kategorizálnak mint industry.
Működik a területen a Vision, Language, és úgy van rögzítve, mint a feladat végrehajtása language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning.
Ahelyett, hogy nulláról lenne betanítva, az származik Qwen2-72B,InternViT-6B. Ez a szokásos módja egy specializált modell előállításának.
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 3 × 10²⁴ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 125,829,120,000 szöveg tokenjei
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: training cost.
Válaszok
NVLM-H 72B — gyakori kérdések
NVLM-H 72B— Ki készítette ezt?
Kiadta NVIDIA, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
NVLM-H 72B— 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.
NVLM-H 72B— Mire használják?
Működik a területen a Vision, Language, és rögzítve van, hogy kezeli a feladatot language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning. Ezek azok a területek, amelyek köré tervezték; ezek a szándékot írják le, nem pedig egy szigorú határt.
NVLM-H 72B— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3 × 10²⁴ FLOP, hardveren rögzítve NVIDIA H100 SXM5 80GB. 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.
NVLM-H 72B— 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.
NVLM-H 72B— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
NVLM-H 72B— Hány paramétere van?
Paraméterszáma 72B. 72B. 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.
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..