Memformer (4 encoder + 16 decoder)
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
- UC Davis,Westlake University,Facebook AI
- Tipo di organizzazione
- Academia,Academia,Industry
- Paese
- United States of America, China
- Pubblicato
- 14 October 2020
- Autori
- Qingyang Wu, Zhenzhong Lan, Kun Qian, Jing Gu, Alborz Geramifard, Zhou Yu
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
- 76.2M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 11.93
batch size 128 steps: 150000 sequence length: 128-1024
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
- 1.2 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
32400000000000 FLOP / second / GPU * 4 GPUs * 96 hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.3436928e+19 FLOP time could be given for all language modeling not just for this model -> likely to be an upper bound
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 16 GB,NVIDIA GeForce RTX 2080 Ti 11GB
- Chip utilizzati
- 4
- Tempo di parete
- 96 hours
"We trained our model on NVIDIA V100 16GB and 2080Ti 11GB. <..> The training for language modeling took approximately four days on four GPUs." 4 days = 96 hours
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
- Likely
- Citazioni
- 77
- Dati di benchmark
- Memformer (4 encoder + 16 decoder)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Memformer: A Memory-Augmented Transformer for Sequence Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
Memformer (4 encoder + 16 decoder) è stato pubblicato da UC Davis,Westlake University,Facebook AI, nel paese registrato come United States of America, durante October 2020. Esce da un'organizzazione categorizzata come academia,Academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
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 1.2 × 10¹⁹ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 16 GB,NVIDIA GeForce RTX 2080 Ti 11GB. 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 103,000,000 token di testo
Risposte
Memformer (4 encoder + 16 decoder) — domande comuni
Memformer (4 encoder + 16 decoder)— chi l'ha creato?
È stato pubblicato da UC Davis,Westlake University,Facebook AI, basato su United States of America, un'organizzazione categorizzata come academia,Academia,Industry.
Memformer (4 encoder + 16 decoder)— quando è stato rilasciato?
È stato pubblicato in October 2020. 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.
Memformer (4 encoder + 16 decoder)— 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.
Memformer (4 encoder + 16 decoder)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.2 × 10¹⁹ FLOP, su hardware registrato come NVIDIA Tesla V100 DGXS 16 GB,NVIDIA GeForce RTX 2080 Ti 11GB. 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.
Memformer (4 encoder + 16 decoder)— 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.
Memformer (4 encoder + 16 decoder)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Memformer (4 encoder + 16 decoder)— quanti parametri ha?
Ha un numero di parametri di 76.2M. 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.