M6-10T

Modelli GPU/AI sempre significa modelli AI. Lanciare in esecuzione significa eseguire un modello AI. Non si adatta / non si adatterà significa che il modello AI non si adatta nella VRAM della GPU. Stretto = barely runnable, confortevole = funziona facilmente con margine. GPU, AI, TPS, VRAM, CUDA, Tensor, Inferenza, Quantizzazione, LoRA, GGUF, FP16, INT4, INT8. Modelli GPU/AI sempre significa modelli AI. Alibaba 10T parametri October 2021

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 alcuna dimensione. È accessibile solo tramite il suo fornitore, e nessuna scheda grafica cambia questo..

In registrazione

Specifiche complete

Tutto registrato per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come funziona — contesto utile per valutare quanto lavoro ci sia stato dietro e come si confronta con modelli costruiti su scala differente..

Origine

Chi ha costruito questo modello, dove e quando è stato pubblicato.

Organizzazione
Alibaba
Tipo di organizzazione
Industry
Paese
China
Pubblicato
8 October 2021
Autori
Junyang Lin, An Yang, Jinze Bai, Chang Zhou, Le Jiang, Xianyan Jia, Ang Wang, Jie Zhang, Yong Li, Wei Lin, Jingren Zhou, Hongxia Yang

Cosa fa

Le aree problematiche per cui il modello è stato creato. Un modello può gestire diversi di ciascuno.

Domini
Multimodal, Language, Vision
Spazio
Language modeling/generation
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 data scheda grafica.

parametri
10T

"We demonstrate a practice of pretraining unprecedented 10-trillion-parameter model, an order of magnitude larger than the state-of-the-art, on solely 512 GPUs within 10 days"

Dati di addestramento
tokens

"We conduct experiments for pretraining and finetuning to analyze model competence in upstream and downstream tasks. Following the classical data setup for pretraining and finetuning, we pretrain the model on BookCorpus [52] and English Wikipedia [9], which are corpora with around 16GB of plain texts." I used http://extraconversion.com/data-storage/gigabits/gigabits-to-words.html for the conversion to number of words

Calcolo di addestramento

L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato l'addestramento, non di quanto velocemente il modello finito ti risponde.

Calcolo di addestramento
5.5 × 10²¹ FLOP

512 GPUs in 10 days - using NVIDIA V100 GPUs Using the NVIDIA V100 Specifications this works out to be: 0.30 * 125E12 * 512 * 10 * 86400 = 1.66E22 (Assuming 30% utilisation, and 125 TFLOPS)

Come è stato stabilito
Hardware

Disponibilità

Se puoi ottenere il modello e farlo girare sul tuo hardware, il che decide se alcune delle figure della scheda grafica su questa pagina si applicano.

Pesi
Closed — provider access only
Accesso al modello
Unreleased
Codice di addestramento
Unreleased

"This work is generally reproducible. Following the description in Section 3, researchers can easily implement the training strategy on the codebases for pretraining, including Huggingface Transformer 1, Fairseq 2."

Come è classificato

Etichette sui dataset di origine applicate per il tracciamento dei modelli notevoli e quanto è fiduciosa nell'entry.

Modello/modelli non si adatta / non si adatterà GPU VRAM. Tight = barely runnable, comodo = runs easily with headroom.
Confident
Modello/modelli possono GPU eseguire. Non si adatta / non si adatterà. Aderente = barely runnable, confortevole = runs easily with headroom.
47

Modello/modelli GPU/AI che può eseguire. Non si adatta / non starà. Stretto = appena eseguibile, comodo = esegue facilmente con margine.

Dove è stato registrato questo record e quando è stato controllato l'ultima volta.

Modello/modelli GPU può eseguire? Non si adatta / non si adatterà. Limitato = difficilmente eseguibile, comodo = esegue facilmente con margine.
M6-10T: A Sharing-Delinking Paradigm for Efficient Multi-Trillion Parameter Pretraining
Ultimo aggiornamento
28 November 2025

Cosa significano i numeri

Sfondo

M6-10T was published by Alibaba, in China, in October 2021. It comes out of industry.

It works in Multimodal, Language, Vision, and is recorded as doing language modeling/generation.

I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo tramite il suo fornitore. Nessuna scheda grafica può cambiare questo.

Cosa è stato necessario per costruirlo

The training run consumed about 5.5 × 10²¹ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.

Modeli/modelli sempre significa modelli AI. Esegui/Esplora significa eseguire un modello AI. Non si adatta / non si adatterà significa che il modello AI non si adatta alla VRAM della GPU. Stretto = appena eseguibile, comodo = funziona facilmente con margine. Termini tecnici come GPU, AI, TPS, VRAM, CUDA, Tensor, Inference, Quantization, LoRA, GGUF, FP16, INT4, INT8 rimangono in inglese. GPU, AI, TPS, VRAM, CUDA devono sempre essere in maiuscolo. Se viene chiesto di tradurre il nome di una lingua (ad es. spagnolo, inglese, lingua), tradurre la parola correttamente. SOLO output la traduzione pura in italiano. Nessun commento, nessuna domanda, nient'altro. Se vuoto rispondi con un singolo spazio: Risposte.

M6-10T — modello/modelli può GPU eseguire. non si adatta / non si adatterà. stretto = appena eseguibile, confortevole = esegue facilmente con margine.

01

How many parameters does M6-10T have?

M6-10T has 10T parameters. "We demonstrate a practice of pretraining unprecedented 10-trillion-parameter model, an order of magnitude larger than the state-of-the-art, on solely 512 GPUs within 10 days". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.

02

Who created M6-10T?

M6-10T was published by Alibaba, based in China, categorised as industry.

03

When was M6-10T released?

M6-10T was published in October 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

04

What is M6-10T used for?

M6-10T works in Multimodal, Language, Vision, and is recorded as handling language modeling/generation. These are the areas it was designed around; they describe intent rather than a hard boundary.

05

How much compute was used to train M6-10T?

Around 5.5 × 10²¹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.

06

What GPU do I need to run M6-10T?

None. M6-10T is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.

07

Is M6-10T open source?

No. M6-10T has not had its weights published, so it exists only as a service controlled by its owner.

Fonte

Pubblicazione originale

Record last updated 28 November 2025

L'altra direzione

Guardandolo dall'altro lato?

Questa pagina inizia dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che eseguirà, inizia dall'hardware invece.