M6-T
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
- Alibaba
- Tipo di organizzazione
- Industry
- Paese
- China
- Pubblicato
- 5 March 2021
- Autori
- An Yang, Junyang Lin, Rui Men, Chang Zhou, Le Jiang, Xianyan Jia, Ang Wang, Jie Zhang, Jiamang Wang, Yong Li, Di Zhang, Wei Lin, Lin Qu, Jingren Zhou, Hongxia Yang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Multimodal, Language, Vision
- Compito
- Chat, Image captioning
- Approccio
- Self-supervised learning
- Formato numerico
- FP16
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
- 1T
- Dati di addestramento
- 111,800,000,000 tokens
Table 5. Note model is sparse MoE with 960 experts; not all parameters are activated on the forward pass.
60.5B images and 111.8B tokens of text
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
- 5.5 × 10²¹ FLOP
- Come è stato stabilito
- Third-party estimation
Estimate taken from https://www.governance.ai/research-paper/recent-trends-chinas-llm-landscape
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 DGXS 32 GB
- Chip utilizzati
- 480
- Consumo energetico
- 243.3 kW
- Costo di calcolo
- $13,157
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.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Likely
- Citazioni
- 76
Improves on hardware SOTA for similar problems Abstract: "We push the model scale to over 1 trillion parameters and implement it on solely 480 NVIDIA V100-32GB GPUs, in comparison with the recent SOTAs [11; 6] on 2048 TPU cores."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- M6-T: Exploring Sparse Expert Models and Beyond
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
M6-T è stato pubblicato da Alibaba, nel paese registrato come China, durante March 2021. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Multimodal, Language, Vision, ed è registrato come eseguire il compito di chat, Image captioning.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 5.5 × 10²¹ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 111,800,000,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
M6-T — domande comuni
M6-T— A cosa serve?
Funziona nel dominio di Multimodal, Language, Vision, e viene registrato come gestire il compito di chat, Image captioning. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
M6-T— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.5 × 10²¹ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 32 GB. 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.
M6-T— 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.
M6-T— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
M6-T— quanti parametri ha?
Ha un numero di parametri di 1T. Table 5. Note model is sparse MoE with 960 experts; not all parameters are activated on the forward pass. 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.
M6-T— chi l'ha creato?
È stato pubblicato da Alibaba, basato su China, un'organizzazione categorizzata come industry.
M6-T— quando è stato rilasciato?
È stato pubblicato in March 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.
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.