DITTO
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
- Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK)
- Tipo di organizzazione
- Academia,Industry,Academia,Academia
- Paese
- China, United States of America, Hong Kong
- Pubblicato
- 6 June 2022
- Autori
- Jin Xu, Xiaojiang Liu, Jianhao Yan, Deng Cai, Huayang Li, Jian Li
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation, Text summarization
- Formato numerico
- FP16
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
- 750M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 7.16
"We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096."
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
- 3.3 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 160000 steps * 3 samples per batch * 1536 tokens per sample * 750000000 parameters = 3.31776 × 10^18 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 V100
- Chip utilizzati
- 8
- Consumo energetico
- 4.8 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
- Open source
open code https://github.com/Jxu-Thu/DITTO training: https://github.com/Jxu-Thu/DITTO/blob/main/train.py
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
- Confident
- Citazioni
- 109
- Dati di benchmark
- DITTO
Achieves SOTA on CNN/DailyMail by fine-tuning and improving on BART-large, which is SOTA
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning to Break the Loop: Analyzing and Mitigating Repetitions for Neural Text Generation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
DITTO è stato pubblicato da Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), nel paese registrato come China, durante June 2022. L'organizzazione di pubblicazione è classificata come academia,Industry,Academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Text summarization.
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 3.3 × 10¹⁸ FLOP, su hardware registrato come NVIDIA V100. 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
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
DITTO — domande comuni
DITTO— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.3 × 10¹⁸ FLOP, su hardware registrato come NVIDIA V100. 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.
DITTO— 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.
DITTO— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DITTO— quanti parametri ha?
Ha un numero di parametri di 750M. "We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096.". 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.
DITTO— chi l'ha creato?
È stato pubblicato da Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), basato su China, un'organizzazione categorizzata come academia,Industry,Academia,Academia.
DITTO— quando è stato rilasciato?
È stato pubblicato in June 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.
DITTO— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Text summarization. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
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.