TOME
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
- University of Southern California,Google
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 12 October 2021
- Autori
- Michiel de Jong, Yury Zemlyanskiy, Nicholas FitzGerald, Fei Sha, William Cohen
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Question answering
- Formato numerico
- FP32
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
- 220M
- Dati di addestramento
- tokens
- Epoche
- 157.29
- Dimensione del Batch
- 524,288
220M from Table 1 entry for TOME
Per Wikipedia, the site had 3.755B words as of the most recent checkpoint prior to the paper's publication: https://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia#Yearly_statistics 3.755B * 4/3 = 5B tokens
"All models are pre-trained on [...] batch size of 4096. Each passage in the batch has length T = 128, excluding entity 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 × 10²¹ FLOP
- Come è stato stabilito
- Operation counting
We have information about hardware "All models are pre-trained on 128 TPUs using AdamW optimizer (Loshchilov& Hutter, 2019) with learning rate 1e-4 and batch size of 4096.", but no information about training time and exact model of TPUs. There is information about training 1.5M steps with batch size 4096 * 128 citation from appendix A: "The Mention Encoder and BATCH-TOME are pre-trained for 1 million steps with 50k warmup steps, and TOME is trained for 500k additional steps with 25k warmup step…
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 2.0 (repo license) https://github.com/google-research/language/tree/master/language/mentionmemory
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 55
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Mention Memory: incorporating textual knowledge into Transformers through entity mention attention
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
TOME è stato pubblicato da University of Southern California,Google, nel paese registrato come United States of America, durante October 2021. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di question answering.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 1 × 10²¹ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
TOME — domande comuni
TOME— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1 × 10²¹ FLOP. 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.
TOME— 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.
TOME— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
TOME— quanti parametri ha?
Ha un numero di parametri di 220M. 220M from Table 1 entry for TOME. 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.
TOME— chi l'ha creato?
È stato pubblicato da University of Southern California,Google, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
TOME— 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.
TOME— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di question answering. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.