TaLK Convolution
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
- Carleton University
- Tipo di organizzazione
- Academia
- Paese
- Canada
- Pubblicato
- 8 February 2020
- Autori
- Vasileios Lioutas, Yuhong Guo
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Translation, Text summarization
- 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
- 240M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 182
- Dimensione del Batch
- 65,536
Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4."
" We replicated their setup and partition the training data into blocks of 512 contiguous tokens" " same setup as in Baevski & Auli (2019)" https://arxiv.org/abs/1809.10853 in that paper they trained for 286k steps in batches of 65,536 tokens. 286000*65536 / 103000000= 182 epochs (same as in as in Baevski & Auli (2019))
same setup as in Baevski & Auli (2019)
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
- 2.7 × 10¹⁹ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / parameter / token * 240000000 parameters * 286000 steps * 65536 tokens per batch = 2.6990346e+19 FLOP
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 GeForce RTX 2080 Ti 11GB
- Chip utilizzati
- 8
- Consumo energetico
- 4.1 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
MIT, code and weights (though this repo is for translation not WT-103): https://github.com/lioutasb/TaLKConvolutions?tab=readme-ov-file
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
- 30
- Dati di benchmark
- TaLK Convolution
"[We] set a new state-of-the-art result on the IWSLT De-En and CNN-DailyMail datasets"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Time-aware Large Kernel Convolutions
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
TaLK Convolution è stato pubblicato da Carleton University, nel paese registrato come Canada, durante February 2020. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Translation, Text summarization.
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 2.7 × 10¹⁹ FLOP, su hardware registrato come 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.
L'addestramento ha consumato un corpus di circa 103,000,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
TaLK Convolution — domande comuni
TaLK Convolution— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.7 × 10¹⁹ FLOP, su hardware registrato come 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.
TaLK Convolution— 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.
TaLK Convolution— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
TaLK Convolution— quanti parametri ha?
Ha un numero di parametri di 240M. Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4.". 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.
TaLK Convolution— chi l'ha creato?
È stato pubblicato da Carleton University, basato su Canada, un'organizzazione categorizzata come academia.
TaLK Convolution— quando è stato rilasciato?
È stato pubblicato in February 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.
TaLK Convolution— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Translation, Text summarization. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.