PAGnol-XL
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
- LightOn,Laboratoire de Physique de l'Ecole Normale (LPENS),INRIA
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- France
- Pubblicato
- 16 October 2021
- Autori
- Julien Launay, E.L. Tommasone, Baptiste Pannier, François Boniface, Amélie Chatelain, Alessandro Cappelli, Iacopo Poli, Djamé Seddah
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Language modeling/generation, Translation
- Approccio
- Self-supervised learning
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
- 1.5B
- Dati di addestramento
- tokens
Section 4.1: 32G tokens => 32e9*0.75 = 24e9 words
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
- 2.6 × 10²⁰ FLOP
- Come è stato stabilito
- Reported
They report their compute directly. From section 8: "About 62k GPU-hours on the Jean Zay HPC Cluster." Jean Zay uses both A100 and V100 GPUs, and maybe other stuff as well? Note they explicitly call out V100 in their Appendix A. https://www.hpcwire.com/2021/11/17/frances-jean-zay-supercomputer-gets-ai-boost-from-hpe-nvidia/
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 Tesla V100 SXM2
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
- API access
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 10
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- PAGnol: An Extra-Large French Generative Model
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
PAGnol-XL è stato pubblicato da LightOn,Laboratoire de Physique de l'Ecole Normale (LPENS),INRIA, nel paese registrato come France, durante October 2021. L'organizzazione di pubblicazione è classificata come industry,Academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Language modeling/generation, Translation.
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 run di addestramento ha consumato circa 2.6 × 10²⁰ FLOP, su hardware registrato come NVIDIA Tesla V100 SXM2. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
PAGnol-XL — domande comuni
PAGnol-XL— quando è stato rilasciato?
È stato pubblicato in October 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.
PAGnol-XL— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Language modeling/generation, Translation. 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.
PAGnol-XL— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10²⁰ FLOP, su hardware registrato come NVIDIA Tesla V100 SXM2. 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.
PAGnol-XL— 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.
PAGnol-XL— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
PAGnol-XL— quanti parametri ha?
Ha un numero di parametri di 1.5B. 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.
PAGnol-XL— chi l'ha creato?
È stato pubblicato da LightOn,Laboratoire de Physique de l'Ecole Normale (LPENS),INRIA, basato su France, un'organizzazione categorizzata come industry,Academia,Academia.
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.