RMSNorm (Transformer-base)
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
- University of Edinburgh,University of Zurich
- Tipo di organizzazione
- Academia,Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland, Switzerland
- Pubblicato
- 16 October 2019
- Autori
- Biao Zhang, Rico Sennrich
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Translation
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
- 65M
- Dati di addestramento
- 7,500,000,000 tokens
Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf)
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
- 2.8 × 10¹⁸ FLOP
- Come è stato stabilito
- Operation counting,Hardware
6 FLOP/parameter/token * 65000000 parameters * 7500000000 tokens = 2.925e18 FLOP 125000000000000 FLOP/GPU/sec * 19.25 hours * 3600 sec / hour * 1 GPUs * 0.3 [assumed utilization] = 2.59875e18 FLOP sqrt(2.925e18 * 2.59875e18) = 2.7570535e+18 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 V100
- Chip utilizzati
- 1
- Tempo di parete
- 19 hours
- Consumo energetico
- 338 W
Table 4: 231 seconds per 1k training steps 300k steps -> 300*231 seconds -> 19.25 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
- Open source
BSD-3 clause license https://github.com/bzhangGo/rmsnorm
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Root Mean Square Layer Normalization
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
RMSNorm (Transformer-base) è stato pubblicato da University of Edinburgh,University of Zurich, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante October 2019. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di translation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 2.8 × 10¹⁸ 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.
Il set di addestramento si aggirava attorno a 7,500,000,000 token di testo
Risposte
RMSNorm (Transformer-base) — domande comuni
RMSNorm (Transformer-base)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
RMSNorm (Transformer-base)— quanti parametri ha?
Ha un numero di parametri di 65M. Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf). 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.
RMSNorm (Transformer-base)— chi l'ha creato?
È stato pubblicato da University of Edinburgh,University of Zurich, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia,Academia.
RMSNorm (Transformer-base)— quando è stato rilasciato?
È stato pubblicato in October 2019. 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.
RMSNorm (Transformer-base)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di translation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RMSNorm (Transformer-base)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.8 × 10¹⁸ 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.
RMSNorm (Transformer-base)— 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.
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.