UniDiffuser (多模态大模型)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono aperti, ma nessun conteggio dei parametri è stato pubblicato. Ogni dato sulla memoria e sulla velocità parte da quel numero, quindi preferiamo non mostrare nulla piuttosto che una stima inventata.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su scala diversa.
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- China
- Pubblicato
- 30 May 2023
- Autori
- Fan Bao, Shen Nie, Kaiwen Xue, Chongxuan Li, Shi Pu, Yaole Wang, Gang Yue, Yue Cao, Hang Su, Jun Zhu
Cosa fa
Le aree problematiche per cui è stato costruito il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Image generation
- Compito
- Text-to-image, Image captioning, Image generation, Image-to-image
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono il valore che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
"The training is multiple-staged following Stable Diffusion (Rombach et al., 2022). In the first stage, we train 250K steps at 256×256 resolution on laion2B-en with a batch size of 11264 and 5K warm-up steps. In the second stage, we fine-tune the model with 200K steps at 512×512 resolution on laion-high-resolution with a batch size of 2112 and 5K warm-up steps. In the last stage, we resume from the last checkpoint of the second stage (including both weights of the model and states of the optimiz…
Addestramento computazionale
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto costato l'addestramento, non di quanto velocemente il modello finito ti risponde.
- Addestramento computazionale
- 2 × 10²² FLOP
- Come è stato stabilito
- Hardware
312000000000000 FLOP/GPU/sec * 672 hours * 3600 sec / hour * 88 GPUs * 0.3 [assumed utilization] = 1.992646656e+22 FLOP
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Hardware di addestramento
- NVIDIA A100 SXM4 80 GB
- Chips used
- 88
- Tempo di orologio muro
- 672 hours (28 days)
- Consumo energetico
- 70.1 kW
"The training takes around 28 days on 88 A100 (80GB) GPUs" 28 days = 672 hours
Disponibilità
Se puoi ottenere il modello e eseguirlo sul tuo hardware, il che decide se una delle cifre della scheda grafica su questa pagina si applica.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Unreleased
- Hugging Face
- thu-ml
AGPL-3.0 https://github.com/thu-ml/unidiffuser https://huggingface.co/thu-ml/unidiffuser-v1
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- One Transformer Fits All Distributions in Multi-Modal Diffusion at Scale
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Where it came from
UniDiffuser (多模态大模型) was published by ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, in China, in May 2023. industry,Academia,Academia is the category the publisher falls under.
It works in Image generation, and is recorded as doing text-to-image, Image captioning, Image generation, Image-to-image.
I pesi aperti sono ciò che mette questa pagina nella calcolatrice piuttosto che solo nel catalogo: è un modello che puoi davvero tenere. È pubblicato sotto l'organizzazione thu-ml su Hugging Face.
Training and provenance
The training run consumed about 2 × 10²² FLOP, on NVIDIA A100 SXM4 80 GB. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Risposte
UniDiffuser (多模态大模型) — Domande frequenti
What GPU do I need to run UniDiffuser (多模态大模型)?
We cannot say. UniDiffuser (多模态大模型) has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is UniDiffuser (多模态大模型) open source?
Its weights are published, so UniDiffuser (多模态大模型) can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does UniDiffuser (多模态大模型) have?
No parameter count has been published for UniDiffuser (多模态大模型), which is why no memory or speed figure appears on this page.
Who created UniDiffuser (多模态大模型)?
UniDiffuser (多模态大模型) was published by ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, based in China, categorised as industry,Academia,Academia.
When was UniDiffuser (多模态大模型) released?
UniDiffuser (多模态大模型) was published in May 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is UniDiffuser (多模态大模型) used for?
UniDiffuser (多模态大模型) works in Image generation, and is recorded as handling text-to-image, Image captioning, Image generation, Image-to-image. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
Where can I download UniDiffuser (多模态大模型)?
Its weights are published under the thu-ml organisation on Hugging Face. We do not host model files — this site calculates what hardware is needed to run them.
How much compute was used to train UniDiffuser (多模态大模型)?
Around 2 × 10²² FLOP, on NVIDIA A100 SXM4 80 GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.