Transformer-XL + PowerSGD + L-Greco
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
- Institute of Science and Technology Austria (ISTA),Neural Magic
- Tipo di organizzazione
- Academia,Industry
- Paese
- Austria, United States of America
- Pubblicato
- 31 October 2022
- Autori
- Mohammadreza Alimohammadi, Ilia Markov, Elias Frantar, Dan Alistarh
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
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
- 103,000,000 tokens
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
- 1.3 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
35580000000000 FLOP / sec [fp16 precision assumed] * 15400 sec [see training time notes] * 8 GPUs * 0.3 [assumed utilization] = 1.3150368e+18 FLOP _______ They used similar estimation (4.14 × 10^17 FLOP) in the Algorithmic Progress paper - not sure how exactly it was calculated
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
- Tempo di parete
- 4 hours
- Consumo energetico
- 5.6 kW
40k steps [table 7] * 0.385 sec/step [figure 3] = 15400 sec = 4.28 hours
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
- Open source
Apache 2. looks like just code: https://github.com/LGrCo/L-GreCo/tree/master/Transformer-XL
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 4
- Dati di benchmark
- Transformer-XL + PowerSGD + L-Greco
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- L-GreCo: An Efficient and General Framework for Layerwise-Adaptive Gradient Compression
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
Transformer-XL + PowerSGD + L-Greco è stato pubblicato da Institute of Science and Technology Austria (ISTA),Neural Magic, nel paese registrato come Austria, durante October 2022. Esce da un'organizzazione categorizzata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il run di addestramento ha consumato circa 1.3 × 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.
Il set di addestramento si aggirava attorno a 103,000,000 token di testo
Risposte
Transformer-XL + PowerSGD + L-Greco — domande comuni
Transformer-XL + PowerSGD + L-Greco— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
Transformer-XL + PowerSGD + L-Greco— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.3 × 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-XL + PowerSGD + L-Greco— 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-XL + PowerSGD + L-Greco— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Transformer-XL + PowerSGD + L-Greco— 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.
Transformer-XL + PowerSGD + L-Greco— chi l'ha creato?
È stato pubblicato da Institute of Science and Technology Austria (ISTA),Neural Magic, basato su Austria, un'organizzazione categorizzata come academia,Industry.
Transformer-XL + PowerSGD + L-Greco— quando è stato rilasciato?
È stato pubblicato in October 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.