SRU++ Large only 2 attention layers (k=5) (WT103)
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
- ASAPP
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 24 February 2021
- Autori
- Tao Lei
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
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
- 225M
- Dati di addestramento
- tokens
- Epoche
- 34.08
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
- 3.6 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+19
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 V100
- Chip utilizzati
- 8
- Tempo di parete
- 33 hours
- Consumo energetico
- 4.9 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
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/README.md
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 54
- Dati di benchmark
- SRU++ Large only 2 attention layers (k=5)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Sfondo
SRU++ Large only 2 attention layers (k=5) (WT103) è stato pubblicato da ASAPP, nel paese registrato come United States of America, durante February 2021. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
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 3.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
SRU++ Large only 2 attention layers (k=5) (WT103) — domande comuni
SRU++ Large only 2 attention layers (k=5) (WT103)— quanti parametri ha?
Ha un numero di parametri di 225M. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— chi l'ha creato?
È stato pubblicato da ASAPP, basato su United States of America, un'organizzazione categorizzata come industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— quando è stato rilasciato?
È stato pubblicato in February 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.6 × 10¹⁹ FLOP, su hardware registrato come NVIDIA V100. 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— 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.
SRU++ Large only 2 attention layers (k=5) (WT103)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
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.