FMMformer (2-kernel fast weight + Band20)
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 California Los Angeles (UCLA),University of Utah
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 5 August 2021
- Autori
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Text classification
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
- 40M
- Dati di addestramento
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 FLOP
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 GeForce RTX 3090 Ti
- Chip utilizzati
- 4
- Consumo energetico
- 3.6 kW
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.
- Record fiducia
- Speculative
- Citazioni
- 38
- Dati di benchmark
- FMMformer (2-kernel fast weight + Band20)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
FMMformer (2-kernel fast weight + Band20) è stato pubblicato da University of California Los Angeles (UCLA),University of Utah, nel paese registrato come United States of America, durante August 2021. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Text classification.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 2.5 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce RTX 3090 Ti. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
FMMformer (2-kernel fast weight + Band20) — domande comuni
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
FMMformer (2-kernel fast weight + Band20)— quanti parametri ha?
Ha un numero di parametri di 40M. 40M (caption to Table 2). 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.
FMMformer (2-kernel fast weight + Band20)— chi l'ha creato?
È stato pubblicato da University of California Los Angeles (UCLA),University of Utah, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
FMMformer (2-kernel fast weight + Band20)— quando è stato rilasciato?
È stato pubblicato in August 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.
FMMformer (2-kernel fast weight + Band20)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Text classification. 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.
FMMformer (2-kernel fast weight + Band20)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.5 × 10¹⁶ FLOP, su hardware registrato come NVIDIA GeForce RTX 3090 Ti. 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.
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.