AFM-on-device
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Apple
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 29 July 2024
- Autori
- Andy Narayanan, Aonan Zhang, Bowen Zhang, Chen Chen, Chong Wang, Chung-Cheng Chiu, David Qiu, Deepak Gopinath, Dian Ang Yap, Dong Yin, Feng Nan, Floris Weers, Guoli Yin, Haoshuo Huang, Jianyu Wang, Jiarui Lu, John Peebles, Ke Ye, Mark Lee, Nan Du, Qibin Chen, Quentin Keunebroek, Ruoming Pang, Sam Wiseman, Syd Evans, Tao Lei, Tom Gunter, Vivek Rathod, Xiang Kong, Xianzhi Du, Yanghao Li, Yongqiang W…
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation
- Approccio
- Self-supervised learning
- Formato numerico
- BF16
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 2.7B
- Dati di addestramento
- 7,588,000,000,000 tokens
- Epoche
- 1
- Dimensione del Batch
- 18,949,753
Table 1, sum of non-embedding and embedding parameters
Not explicitly mentioned, but I assume the 7.588T tokens do not involve multiple epochs.
Main pretraining uses sequence length of 4096 tokens; 4096 sequences per batch. During the "continued" pre-training stage, sequence length is upped to 8192 while batch size remains 4096. During context lengthening, sequence length is upped to 32768 while "the recipe is similar to that used for continued pre-training" implies same batch size of 4096. Weighting batch sizes by number of tokens seen in each stage: exp((6.3T * ln(4096 * 4096) + 1T * ln(8192 * 4096) + 100B * ln(32768 * 4096))/ 7.4T)…
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 4.5 × 10²³ FLOP
- Come è stato stabilito
- Operation counting
Model was initialized from a pruned version of a 6.4B parameter model trained using the same recipe as AFM-server. Assuming "same recipe" involves training for the full 6.3T tokens, this implies 6 * 6.3T * 6.4B = 2.42e23 FLOP. The pruning masks are learned by training over 188B tokens, which suggests 6 * 188B * 6.4B = 7.22e21 FLOPs. Pretraining is then run over 6.3T tokens; however, labels are a convex combination of true labels and the predicted labels from the unpruned 6.4B model. Since thi…
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- Google TPU v5p
- Chip utilizzati
- 2,048
- Utilizzo dell'hardware
- MFU 52.0%
- Consumo energetico
- 2.2 MW
- Fornitore di cloud
- Google Cloud
- Centro dati
- Google us-east (either us-east1 or us-east5)
MFU is stated for AFM-server, assumed similar. If anything, this is likely a lower bound as training is done on a single slice of TPU chips compared to the 8 slices for AFM-server. "AFM-server was trained on 8192 TPUv4 chips provisioned as 8 × 1024 chip slices, where slices are connected together by the data-center network (DCN) [Chowdhery et al., 2022]. Only data-parallelism crosses the slice boundary, other types of state sharding are within-slice only as the within-slice interconnect bandwi…
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Hosted access (no API)
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- Significant use
- Record fiducia
- Confident
Currently in beta access only, but will be integrated into millions or billions of iPhones.
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Apple Intelligence Foundation Language Models
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
AFM-on-device è stato pubblicato da Apple, nel paese registrato come United States of America, durante July 2024. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 4.5 × 10²³ FLOP, su hardware registrato come Google TPU v5p. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 7,588,000,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: significant use.
Risposte
AFM-on-device — domande comuni
AFM-on-device— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
AFM-on-device— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
AFM-on-device— quanti parametri ha?
Ha un numero di parametri di 2.7B. Table 1, sum of non-embedding and embedding parameters. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
AFM-on-device— chi l'ha creato?
È stato pubblicato da Apple, basato su United States of America, un'organizzazione categorizzata come industry.
AFM-on-device— quando è stato rilasciato?
È stato pubblicato in July 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
AFM-on-device— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
AFM-on-device— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.5 × 10²³ FLOP, su hardware registrato come Google TPU v5p. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.