Transformer+Recurrent Windows of Context
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
- Toyota Technological Institute at Chicago,University of Chicago
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 16 August 2020
- Autori
- Davis Yoshida, Allyson Ettinger, Kevin Gimpel
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
- Modello di base
- GPT-2 (124M)
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
- 124M
- Dati di addestramento
- tokens
- Epoche
- 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
- 7.9 × 10²⁰ FLOP
- Come è stato stabilito
- Operation counting
- Addestramento fine
- 1.5 × 10¹⁷ FLOP
base model compute (speculative confidence): 7.936e+20 FLOP fine-tune compute: 1.53264e+17 FLOP 7.936e+20 FLOP + 1.53264e+17 FLOP = 7.9375326e+20 FLOP
6 FLOP / token / parameter * 124000000 parameters * 103000000 tokens * 2 epochs = 1.53264e+17 FLOP
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
- 7
- Dati di benchmark
- Transformer+Recurrent Windows of Context
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Adding Recurrence to Pretrained Transformers for Improved Efficiency and Context Size
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
Transformer+Recurrent Windows of Context è stato pubblicato da Toyota Technological Institute at Chicago,University of Chicago, nel paese registrato come United States of America, durante August 2020. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Costruisce su GPT-2 (124M). È per questo che condivide la forma e le dimensioni generali del modello base.
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 7.9 × 10²⁰ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
Transformer+Recurrent Windows of Context — domande comuni
Transformer+Recurrent Windows of Context— 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.
Transformer+Recurrent Windows of Context— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.9 × 10²⁰ FLOP. 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.
Transformer+Recurrent Windows of Context— 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.
Transformer+Recurrent Windows of Context— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Transformer+Recurrent Windows of Context— quanti parametri ha?
Ha un numero di parametri di 124M. 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.
Transformer+Recurrent Windows of Context— chi l'ha creato?
È stato pubblicato da Toyota Technological Institute at Chicago,University of Chicago, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
Transformer+Recurrent Windows of Context— quando è stato rilasciato?
È stato pubblicato in August 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.
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.