MoE-1.1T calcolatore TPS
Ogni scheda sottostante è valutata rispetto a questo modello alla lunghezza di contesto e alla qualità minima che scegli. La velocità è una stima per una singola richiesta, calcolata dalla larghezza di banda della memoria della scheda e dalla dimensione del modello una volta compresso..
Calcolato per questo modello
818 schede per cui abbiamo specifiche
Quali GPU possono eseguire MoE-1.1T?
Imposta gli input, leggi la risposta
Una conversazione più lunga richiede più MEMORY, il che può spingere questo modello fuori da schede più piccole..
Nasconde le schede che si adatterebbero solo al modello comprimendolo al di sotto di questo punto..
0 schede corrispondono
Calcolo| Ha bisogno | Quantizzazione | Adatto | |||||
|---|---|---|---|---|---|---|---|
|
Nessuna scheda nel nostro catalogo può eseguire questo modello con queste impostazioni.. |
|||||||
Le velocità sono stime per una singola richiesta — una conversazione alla volta — calcolate dalla larghezza di banda della memoria, dalla dimensione del modello e dalla quantizzazione. Il throughput reale varia con il runtime di inferenza e la sua versione. I valori pubblicati dai fornitori di hardware misurano molte richieste simultanee e sono molto più elevati..
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
- Meta AI
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 20 December 2021
- Autori
- Mikel Artetxe, Shruti Bhosale, Naman Goyal, Todor Mihaylov, Myle Ott, Sam Shleifer, Xi Victoria Lin, Jingfei Du, Srinivasan Iyer, Ramakanth Pasunuru, Giri Anantharaman, Xian Li, Shuohui Chen, Halil Akin, Mandeep Baines, Louis Martin, Xing Zhou, Punit Singh Koura, Brian O'Horo, Jeff Wang, Luke Zettlemoyer, Mona Diab, Zornitsa Kozareva, Ves Stoyanov
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, Question answering
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
- 1.1T
- Dati di addestramento
- 112,000,000,000 tokens
- Epoche
- 2.68
112B tokens, or 84B words at 0.75 English words/token. "We pretrain our models on a union of six Englishlanguage datasets, including the five datasets used to pretrain RoBERTa (Liu et al., 2019) and the English subset of CC100, totalling 112B 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
- 2.2 × 10²² FLOP
- Come è stato stabilito
- Reported
Reported directly in paper. Authors calculate FLOPs analytically in appendix G
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
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
- Open — downloadable
- Accesso al modello
- Open weights (non-commercial)
- Codice di addestramento
- Unreleased
for research use only https://github.com/facebookresearch/fairseq/tree/main/examples/moe_lm I don't see training code
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 241
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Efficient Large Scale Language Modeling with Mixtures of Experts
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Requisiti hardware in pratica
MoE-1.1T raggiunge un conteggio di parametri di 1.1T. Questo è oltre ciò che qualsiasi singola scheda grafica può contenere. Eseguire questo significa o suddividerlo tra più schede o noleggiare hardware progettato per il lavoro, e ogni scheda in grado di contenerlo da sola è un componente da datacenter. Il numero che può: 0.
Da dove è venuto
MoE-1.1T è stato pubblicato da Meta AI, nel paese registrato come United States of America, durante December 2021. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Question answering.
I pesi sono pubblicati, quindi possono essere scaricati e eseguiti sul proprio hardware indefinitamente, offline, senza un account associato.
Cosa è stato necessario per costruirlo
Il run di addestramento ha consumato circa 2.2 × 10²² 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 112,000,000,000 token di testo
Passo dopo passo
Come scegliere una GPU per MoE-1.1T
La tabella sopra ha già valutato ogni card di cui possediamo le specifiche rispetto a questo modello. Arrivare alla tua risposta richiede sei passaggi..
-
01
Inizia dalla colonna VRAM
Ogni card qui è stata controllata contro MoE-1.1T. Nessuna quantità di potenza di elaborazione compensano una card che non può contenerla.
-
02
Decidi quanto a lungo durano le tue conversazioni
Conversazioni più lunghe richiedono memoria oltre a ciò che i pesi necessitano. Muovi il cursore sulla tua reale lunghezza di lavoro prima di fidarti di qualsiasi riga per MoE-1.1T.
-
03
Scegli quanto lontano lo comprimerai
Ogni card esegue la copia meno compressa che può contenere.. Impostare una qualità minima elimina le schede che riescono a gestirla solo spremendo oltre quanto desiderato e mantiene il confronto a un livello.
-
04
Confronta TOKEN AL SEC, non specifiche.
Ordina per velocità per vedere come si classificano le schede per MoE-1.1T. Non si adatterà a un'ordinazione da gaming, perché la generazione è vincolata dalla larghezza di banda della memoria.
-
05
Controlla il giudizio di compatibilità prima di acquistare
Tight significa che si carica e funziona senza spazio per aumentare il context length in caso di MoE-1.1T. Comfortable significa che puoi espandere il contesto in seguito. Quella differenza conta più di pochi token al secondo, quindi acquista per comfortable se ti aspetti di farlo.
-
06
Controlla la GPU dall'altro lato
Ogni pagina della scheda ripete questo sondaggio per ogni modello che possediamo, rispondendo a cosa altro l'hardware è utile oltre a MoE-1.1T.
Risposte
MoE-1.1T — domande comuni
MoE-1.1T— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
MoE-1.1T— quanti parametri ha?
Ha un numero di parametri di 1.1T. 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.
MoE-1.1T— chi l'ha creato?
È stato pubblicato da Meta AI, basato su United States of America, un'organizzazione categorizzata come industry.
MoE-1.1T— quando è stato rilasciato?
È stato pubblicato in December 2021. 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.
MoE-1.1T— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Question answering. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
MoE-1.1T— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
MoE-1.1T— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.2 × 10²² 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.
MoE-1.1T— posso eseguirlo se non si adatta nella mia GPU?
Può essere diviso tra la scheda e la memoria di sistema, ma genera dolorosamente lentamente in quel modo. La più vicina mancata che calcoliamo risulta insufficiente di 407.0 GB Ogni figura qui presume che l'intero modello sia residente sulla scheda.
MoE-1.1T— due GPU lo farebbero andare più veloce?
Due schede comprano VRAM piuttosto che velocità, che conta solo se una scheda non può contenerla. Il numero che può: 0. Quindi una seconda CARD è raramente la risposta qui.
MoE-1.1T— perché la quantizzazione differisce tra le schede?
Poiché la capacità varia, così deve essere spremuta. Il numero di livelli distinti nella tabella sopra: 1. Schede più grandi ottengono la versione più accurata e il livello di qualità sopra fissa il confronto a un livello.
MoE-1.1T— quanto sono accurate queste stime di velocità?
Vengono calcolati dalle specifiche piuttosto che misurati, e ognuno ha un intervallo. Un esempio: la gamma sotto ogni cifra. Lo stesso modello e scheda variano tra il trenta e il cinquanta per cento a seconda del software di inferenza e della sua versione.
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.