FLAN 137B
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
- Google Research
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 3 September 2021
- Autori
- Jason Wei, Maarten Bosma, Vincent Y. Zhao, Kelvin Guu, Adams Wei Yu, Brian Lester, Nan Du, Andrew M. Dai, and Quoc V. Le
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Question answering, Language modeling/generation
- Approccio
- Self-supervised learning
- Modello di base
- LaMDA
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
- 137B
- Dati di addestramento
- 2,490,000,000,000 tokens
- Epoche
- 1
Abstract: "We take a 137B parameter pretrained language model and instruction tune it on over 60 NLP datasets verbalized via natural language instruction templates. We evaluate this instruction-tuned model, which we call FLAN, on unseen task types." Many models seem to be using the same 137B base transformer model?
"Model architecture and pretraining. In our experiments, we use LaMDA-PT, a dense left-to-right, decoder-only transformer language model of 137B parameters (Thoppilan et al., 2022). This model is pretrained on a collection of web documents (including those with computer code), dialog data, and Wikipedia, tokenized into 2.49T BPE tokens with a 32k vocabulary using the SentencePiece library (Kudo & Richardson, 2018). Around 10% of the pretraining data was non-English. Note that LaMDA-PT only has …
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 × 10²⁴ FLOP
- Come è stato stabilito
- Operation counting
From section 2.4: Pretraining was done over 2.49T tokens. 6 * 2.49T * 137B = 2.047e24 Also, "instruction tuning takes around 60 hours on a TPUv3 with 128 cores." 128 TPUv3 cores = 64 TPUv3 chips. Environmental considerations section claims this took less than 2% of total time 1.23e14 * 64 * 60 * 3600 * 0.3 = 5.10e20
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
- Google TPU v3
- Chip-ore
- 3,840
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
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Probabilmente sopra 10²³ FLOP
- Yes
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 5,011
Abstract: "FLAN substantially improves the performance of its unmodified counterpart and surpasses zero-shot 175B GPT-3 on 20 of 25 datasets that we evaluate." "FLAN even outperforms few-shot GPT-3 by a large margin on ANLI, RTE, BoolQ, AI2-ARC, OpenbookQA, and StoryCloze" SOTA is reported among unsupervised models
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Finetuned Language Models Are Zero-Shot Learners
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
FLAN 137B è stato pubblicato da Google Research, nel paese registrato come United States of America, durante September 2021. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Question answering, Language modeling/generation.
Invece di essere addestrato da zero, è derivato da LaMDA. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il run di addestramento ha consumato circa 2 × 10²⁴ FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 2,490,000,000,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited,SOTA improvement.
Risposte
FLAN 137B — domande comuni
FLAN 137B— chi l'ha creato?
È stato pubblicato da Google Research, basato su United States of America, un'organizzazione categorizzata come industry.
FLAN 137B— quando è stato rilasciato?
È stato pubblicato in September 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.
FLAN 137B— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Question answering, Language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
FLAN 137B— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2 × 10²⁴ FLOP, su hardware registrato come Google TPU v3. 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.
FLAN 137B— 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.
FLAN 137B— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
FLAN 137B— quanti parametri ha?
Ha un numero di parametri di 137B. Abstract: "We take a 137B parameter pretrained language model and instruction tune it on over 60 NLP datasets verbalized via natural language instruction templates. We evaluate this instruction-tuned model, which we call FLAN, on unseen task types." Many models seem to be using the same 137B base transformer model?. 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.
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.