Gemini 1.0 Ultra
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
- Google DeepMind
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 6 December 2023
- Autori
- Gemini Team
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Multimodal, Language, Vision
- Compito
- Language modeling, Visual question answering, Chat, Translation
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.
- Dati di addestramento
- tokens
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
- 5 × 10²⁵ FLOP
- Come è stato stabilito
- Benchmarks,Hardware
This number is an estimate based on limited evidence. In particular, we combine information about the performance of Gemini Ultra on various benchmarks compared to other models, and guesstimates about the hardware setup used for training to arrive at our estimate. Our reasoning and calculations are detailed in this Colab notebook. https://colab.research.google.com/drive/1sfG91UfiYpEYnj_xB5YRy07T5dv-9O_c
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 v4
- Chip utilizzati
- 57,000
- Chip-ore
- 132,000,000
- Tempo di parete
- 2,400 hours (100 days)
- Consumo energetico
- 38.4 MW
- Costo di calcolo
- $30,719,420
Dylan Patel, author of SemiAnalysis, speculates that the training duration of Gemini may have been 100 days.
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
- API access
- Codice di addestramento
- Unreleased
API access: https://cloud.google.com/vertex-ai/generative-ai/docs/learn/models
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- SOTA improvement,Training cost
- Record fiducia
- Speculative
- Citazioni
- 633
"Evaluation on a broad range of benchmarks shows that our most-capable Gemini Ultra model advances the state of the art in 30 of 32 of these benchmarks — notably being the first model to achieve human-expert performance on the well-studied exam benchmark MMLU, and improving the state of the art in every one of the 20 multimodal benchmarks we examined." Table 2
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Gemini: A Family of Highly Capable Multimodal Models
- Ultimo aggiornamento
- 16 December 2025
Cosa significano i numeri
Da dove è venuto
Gemini 1.0 Ultra è stato pubblicato da Google DeepMind, nel paese registrato come United States of America, durante December 2023. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Multimodal, Language, Vision, ed è registrato come eseguire il compito di language modeling, Visual question answering, Chat, Translation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 5 × 10²⁵ FLOP, su hardware registrato come Google TPU v4. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il motivo per cui appare in questo catalogo è: sOTA improvement,Training cost.
Risposte
Gemini 1.0 Ultra — domande comuni
Gemini 1.0 Ultra— 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.
Gemini 1.0 Ultra— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Gemini 1.0 Ultra— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
Gemini 1.0 Ultra— chi l'ha creato?
È stato pubblicato da Google DeepMind, basato su United States of America, un'organizzazione categorizzata come industry.
Gemini 1.0 Ultra— quando è stato rilasciato?
È stato pubblicato in December 2023. 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.
Gemini 1.0 Ultra— A cosa serve?
Funziona nel dominio di Multimodal, Language, Vision, e viene registrato come gestire il compito di language modeling, Visual question answering, Chat, Translation. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
Gemini 1.0 Ultra— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5 × 10²⁵ FLOP, su hardware registrato come Google TPU v4. 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.