MultiBand Diffusion
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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
- Meta AI,Hebrew University of Jerusalem,LORIA
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- United States of America, Israel, France
- Pubblicato
- 8 November 2023
- Autori
- Robin San Roman, Yossi Adi, Antoine Deleforge, Romain Serizel, Gabriel Synnaeve, Alexandre Défossez
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Audio, Speech
- Compito
- Audio generation
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
9096+2425+919+108+4989=17537 hours
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
- 2.6 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
"It takes around 2 days on 4 Nvidia V100 with 16 GB to train one of the 4 models." 125 tflop/s for V100 SXM (not clear which they used, could be PCI given small number - still same OOM thus confident) 4 * 125 trillion * 2 * 24 * 3600 * 0.3 = 2.6e19
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
- NVIDIA V100
- Tempo di parete
- 48 hours
- Costo di calcolo
- $23
around 2 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
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
training, inference, and models (MIT) https://github.com/facebookresearch/audiocraft/blob/main/docs/MBD.md
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 43
"At equal bit rate, the proposed approach outperforms state-of-the-art generative techniques in terms of perceptual quality"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- From Discrete Tokens to High-Fidelity Audio Using Multi-Band Diffusion
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
MultiBand Diffusion è stato pubblicato da Meta AI,Hebrew University of Jerusalem,LORIA, nel paese registrato come United States of America, durante November 2023. La categoria sotto cui rientra l'editore è industry,Academia,Academia.
Funziona nel dominio di Audio, Speech, ed è registrato come eseguire il compito di audio generation.
I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 2.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
MultiBand Diffusion — domande comuni
MultiBand Diffusion— chi l'ha creato?
È stato pubblicato da Meta AI,Hebrew University of Jerusalem,LORIA, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.
MultiBand Diffusion— quando è stato rilasciato?
È stato pubblicato in November 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.
MultiBand Diffusion— A cosa serve?
Funziona nel dominio di Audio, Speech, e viene registrato come gestire il compito di audio generation. 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.
MultiBand Diffusion— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
MultiBand Diffusion— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA V100. 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.
MultiBand Diffusion— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
MultiBand Diffusion— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
MultiBand Diffusion— 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.
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.