RQ-Transformer (1.4B params ImageNet dataset)
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
- Kakao,POSTECH
- Tipo di organizzazione
- Industry,Academia
- Paese
- Korea (Republic of)
- Pubblicato
- 3 March 2022
- Autori
- Doyup Lee, Chiheon Kim, Saehoon Kim, Minsu Cho, Wook-Shin Han
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision, Image generation
- Compito
- Text-to-image
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
- 1.4B
- Dati di addestramento
- 327,680,000 tokens
- Epoche
- 50
1388M from Table 5 - ImageNet rows
size of ImageNet
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
- 1.1 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. " Quote probably involves a typo – I expect 8 A100s were used for 4.5 days to train the 3.8B model. 1.4B model probably used 4 GPUs. Best guess: (4) * (3.12e14) * (78.4 * 3600) * (0.3) = 1.057e20 (num gpu) * (peak flops) * (time in seconds…
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 A100
- Chip utilizzati
- 8
- Chip-ore
- 864
- Tempo di parete
- 78 hours
- Consumo energetico
- 6.4 kW
4.5 days for ImageNet for 1.4B model, but I expect this was a typo; probably the details are for the largest model. This also suggests training the 1.4B model used 4 rather than 8 GPUs, so would have taken ~ twice as long. Based on this, I use 4.5 days * (1.388B / 3.822B) * 2 = 78.4 hours "We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNe…
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 763
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Autoregressive Image Generation using Residual Quantization
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
RQ-Transformer (1.4B params ImageNet dataset) è stato pubblicato da Kakao,POSTECH, nel paese registrato come Korea (Republic of), durante March 2022. La categoria sotto cui rientra l'editore è industry,Academia.
Funziona nel dominio di Vision, Image generation, ed è registrato come eseguire il compito di text-to-image.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 1.1 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100. 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 327,680,000 token di testo
Risposte
RQ-Transformer (1.4B params ImageNet dataset) — domande comuni
RQ-Transformer (1.4B params ImageNet dataset)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100. 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.
RQ-Transformer (1.4B params ImageNet dataset)— 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.
RQ-Transformer (1.4B params ImageNet dataset)— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
RQ-Transformer (1.4B params ImageNet dataset)— quanti parametri ha?
Ha un numero di parametri di 1.4B. 1388M from Table 5 - ImageNet rows. 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.
RQ-Transformer (1.4B params ImageNet dataset)— chi l'ha creato?
È stato pubblicato da Kakao,POSTECH, basato su Korea (Republic of), un'organizzazione categorizzata come industry,Academia.
RQ-Transformer (1.4B params ImageNet dataset)— quando è stato rilasciato?
È stato pubblicato in March 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.
RQ-Transformer (1.4B params ImageNet dataset)— A cosa serve?
Funziona nel dominio di Vision, Image generation, e viene registrato come gestire il compito di text-to-image. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.