MetNet
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
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 24 March 2020
- Autori
- Casper Kaae Sønderby, Lasse Espeholt, Jonathan Heek, Mostafa Dehghani, Avital Oliver, Tim Salimans, Shreya Agrawal, Jason Hickey, Nal Kalchbrenner
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Earth science
- Compito
- Weather forecasting
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
- 7,045,120,000 tokens
" In total this setting for MetNet has 225M parameters."
"we randomly extracted 13,717 test and validation samples and kept increasing the training set size until we observed no over-fitting at 1.72 million training samples"
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
- 9.5 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 7045120000 updates [see training dataset size notes, "Likely" confidence] * 225000000 parameters = 9.510912e+18 FLOP check: they report training in 256 TPUs (TPU v3 most likely) 9.510912e+18 FLOP / (123000000000000 FLOP / sec / chip * 256 TPUs * 3600 sec / hour * 0.3 [assumed utilization]) = 0.27 hours (seems to be an underestimation) -> 'Speculative' confidence
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
- Google TPU v3
- Chip utilizzati
- 256
- Consumo energetico
- 235.4 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.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Speculative
- Citazioni
- 345
"MetNet improves upon the current operational NWP system HRRR for up to 8 hours of lead time" ... "Numerical Weather Prediction is the most successful framework to perform medium- and longrange (up to 6 days with high confidence) forecast to date (Bauer et al., 2015)." "MetNet outperforms HRRR up to 400 to 480 minutes and outperforms a strong optical flow method and the persistence baseline throughout the 480 minute range."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- MetNet: A Neural Weather Model for Precipitation Forecasting
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
MetNet è stato pubblicato da Google, nel paese registrato come United States of America, durante March 2020. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Earth science, ed è registrato come eseguire il compito di weather forecasting.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
Il run di addestramento ha consumato circa 9.5 × 10¹⁸ FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 7,045,120,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
MetNet — domande comuni
MetNet— A cosa serve?
Funziona nel dominio di Earth science, e viene registrato come gestire il compito di weather forecasting. 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.
MetNet— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.5 × 10¹⁸ FLOP, su hardware registrato come Google TPU v3. 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.
MetNet— 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.
MetNet— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
MetNet— quanti parametri ha?
Ha un numero di parametri di 225M. " In total this setting for MetNet has 225M parameters.". 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.
MetNet— chi l'ha creato?
È stato pubblicato da Google, basato su United States of America, un'organizzazione categorizzata come industry.
MetNet— quando è stato rilasciato?
È stato pubblicato in March 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.