Swift
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
- Intel Labs
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 30 August 2023
- Autori
- Elia Kaufmann, Leonard Bauersfeld, Antonio Loquercio, Matthias Müller, Vladlen Koltun, Davide Scaramuzza
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Robotics
- Compito
- Helicopter driving
- Approccio
- Reinforcement learning
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
- 56.8K
- Dati di addestramento
- 120,000,000 tokens
The control network is an MLP with input dimension 31, two hidden layers of size 128, and an output of dimension 4. (31+1)*128+(128+1)*128+(128+1)*4 = 21124 Gate detector is a 6 layer U-net with 8*(3^3*3+1) + 16*(3^2*8+1) + 16*(3^2*16+1) + 16*(5^2*16+1) + 16*(7^2*16+1) + 16*(7^2*16+1) = 35680 35680 + 21124 = 56804
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
- 5.3 × 10¹⁶ FLOP
- Come è stato stabilito
- Hardware
Policies are trained for a total of 1 × 108 environment interactions, which takes 50 min on a workstation (i9 12900K, RTX 3090, 32 GB RAM DDR5). Fine-tuning is performed for 2 × 107 environment interactions. 35.58 TFLOPS * 50 min * 60 s/min * 0.50 utilization = 5.337*10^16 FLOP
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 GeForce RTX 3090
- Chip utilizzati
- 1
- Tempo di parete
- 1 hours
- Consumo energetico
- 382 W
50 minutes (training details, page 8)
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
- Unreleased
- Codice di addestramento
- Unreleased
"Pseudocode for Swift detailing the training process and algorithms can be found in the file ‘pseudocode.zip’ on Zenodo at https://doi.org/10.5281/zenodo.7955278. To safeguard against potential misuse, the full source code associated with this research will not be made publicly available."
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
- Likely
- Citazioni
- 101
"Our work marks the first time, to our knowledge, that an autonomous mobile robot achieved world-champion-level performance in a real-world competitive sport."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Champion-level drone racing using deep reinforcement learning
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Swift è stato pubblicato da Intel Labs, nel paese registrato come United States of America, durante August 2023. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Robotics, ed è registrato come eseguire il compito di helicopter driving.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 5.3 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce RTX 3090. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 120,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
Swift — domande comuni
Swift— 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.
Swift— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Swift— quanti parametri ha?
Ha un numero di parametri di 56.8K. The control network is an MLP with input dimension 31, two hidden layers of size 128, and an output of dimension 4. (31+1)*128+(128+1)*128+(128+1)*4 = 21124 Gate detector is a 6 layer U-net with 8*(3^3*3+1) + 16*(3^2*8+1) + 16*(3^2*16+1) + 16*(5^2*16+1) + 16*(7^2*16+1) + 16*(7^2*16+1) = 35680 35680 + 21124 = 56804. 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.
Swift— chi l'ha creato?
È stato pubblicato da Intel Labs, basato su United States of America, un'organizzazione categorizzata come industry.
Swift— quando è stato rilasciato?
È stato pubblicato in August 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.
Swift— A cosa serve?
Funziona nel dominio di Robotics, e viene registrato come gestire il compito di helicopter driving. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Swift— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.3 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce RTX 3090. 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.