Transformer + GFM
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
- Nanjing University
- Tipo di organizzazione
- Academia
- Paese
- China
- Pubblicato
- 1 December 2022
- Autori
- Hao Yu, Jianxin Wu
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
- Modello di base
- FAIRSEQ Adaptive Inputs
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
- 185.2M
- Dati di addestramento
- 103,000,000 tokens
185.2M (Table 4) "We implemented our methods based on fairseq (Ott et al. 2019). The original transformer model follows the architectural choice described in Baevski and Auli (2018), which includes 16 decoder blocks and sinusoidal position embeddings in the input layer. Each MHSA module has 8 heads and adaptive input representations have three bands of size 20K, 40K and 200K. The embedding layer and FFN’s hidden-state have dimensions of 1024 and 4096, respectively. We sampled 4K sentences to fo…
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
- 7.7 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting,Hardware
- Addestramento fine
- 4.4 × 10¹⁷ FLOP
7.30e18 FLOP [base transformer] + 4.3694162e+17 FLOP [GFM] = 7.7369416e+18 FLOP _______________ Estimations from the Algorithmic progress paper (upd - a100 gpu were assumed while the paper reports 3090 gpus): SOURCE: Compression of Baevski et al. transformer, impute During the GFM process, we removed layer dropout and trained on 8 GPUs. We limited the number of tokens per GPU to a maximum threshold 1536, which means each GPU processes 1536 tokens using the same model parameters. We accumulat…
6 FLOP/token/parameter * 185000000 parameters * 103000000 tokens = 1.1433e+17 FLOP or 0.6 hours - reported training time for another model in the paper, I assumed, this training was similar in time length 0.6 hours * 3600 sec / hour * 8 GPUs * 35580000000000 FLOP/s [assumed precision fp16] * 0.3 [assumed utilization] = 1.8444672e+17 FLOP or "During the GFM process, we removed layer dropout and trained on 8 GPUs. We limited the number of tokens per GPU to a maximum threshold 1536, which me…
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
- 8
- Chip-ore
- 1
- Consumo energetico
- 5.6 kW
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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Dati di benchmark
- Transformer + GFM
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- "Compressing Transformers: Features Are Low-Rank, but Weights Are Not"
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Transformer + GFM è stato pubblicato da Nanjing University, nel paese registrato come China, durante December 2022. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Invece di essere addestrato da zero, è derivato da FAIRSEQ Adaptive Inputs. È per questo che condivide la forma e le dimensioni generali del modello base.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 7.7 × 10¹⁸ 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 103,000,000 token di testo
Risposte
Transformer + GFM — domande comuni
Transformer + GFM— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Transformer + GFM— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.7 × 10¹⁸ 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.
Transformer + GFM— 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.
Transformer + GFM— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Transformer + GFM— quanti parametri ha?
Ha un numero di parametri di 185.2M. 185.2M (Table 4) "We implemented our methods based on fairseq (Ott et al. 2019). The original transformer model follows the architectural choice described in Baevski and Auli (2018), which includes 16 decoder blocks and sinusoidal position embeddings in the input layer. Each MHSA module has 8 heads and adaptive input representations have three bands of size 20K, 40K and 200K. The embedding layer and FFN’s hidden-state have dimensions of 1024 and 4096, respectively. We sampled 4K sentences to form the proxy dataset D. Then, we reduced the parameters by 15%, 20% and 25%.". 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.
Transformer + GFM— chi l'ha creato?
È stato pubblicato da Nanjing University, basato su China, un'organizzazione categorizzata come academia.
Transformer + GFM— quando è stato rilasciato?
È stato pubblicato in December 2022. 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.
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.