DreamLLM
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
- Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology
- Tipo di organizzazione
- Academia,Industry,Academia,Academia
- Paese
- China
- Pubblicato
- 20 September 2023
- Autori
- Runpei Dong, Chunrui Han, Yuang Peng, Zekun Qi, Zheng Ge, Jinrong Yang, Liang Zhao, Jianjian Sun, Hongyu Zhou, Haoran Wei, Xiangwen Kong, Xiangyu Zhang, Kaisheng Ma, Li Yi
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Multimodal, Language, Vision, Image generation
- Compito
- Language modeling/generation, Vision-language generation, Image 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.
- parametri
- 7B
- Dati di addestramento
- 70,369,280,000 tokens
- Epoche
- 1
7B
from Table 13: 30M pairs image and text, 4M interleaved image-text documents, and 120k instruction examples
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
- 7.5 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
Table 13: 128xA800 GPU for (6+10+1.5) hours flops = (128) * ( 312 * 10**12) * (17.5 * 3600) * (0.3) = 7.5e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
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 A800 PCIe 40 GB
- Chip utilizzati
- 128
- Chip-ore
- 2,240
- Tempo di parete
- 18 hours
- Consumo energetico
- 63.6 kW
from Table 11: (6+10+1.5) hours
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 318
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DreamLLM: Synergistic Multimodal Comprehension and Creation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
DreamLLM è stato pubblicato da Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, nel paese registrato come China, durante September 2023. Esce da un'organizzazione categorizzata come academia,Industry,Academia,Academia.
Funziona nel dominio di Multimodal, Language, Vision, Image generation, ed è registrato come eseguire il compito di language modeling/generation, Vision-language generation, Image 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.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 7.5 × 10²⁰ FLOP, su hardware registrato come NVIDIA A800 PCIe 40 GB. 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 70,369,280,000 token di testo
Risposte
DreamLLM — domande comuni
DreamLLM— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
DreamLLM— quanti parametri ha?
Ha un numero di parametri di 7B. 7B. 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.
DreamLLM— chi l'ha creato?
È stato pubblicato da Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, basato su China, un'organizzazione categorizzata come academia,Industry,Academia,Academia.
DreamLLM— quando è stato rilasciato?
È stato pubblicato in September 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.
DreamLLM— A cosa serve?
Funziona nel dominio di Multimodal, Language, Vision, Image generation, e viene registrato come gestire il compito di language modeling/generation, Vision-language generation, Image generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DreamLLM— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.5 × 10²⁰ FLOP, su hardware registrato come NVIDIA A800 PCIe 40 GB. 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.
DreamLLM— 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.
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.