BERT-Large-CAS (PTB+WT2+WT103)
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
- Amazon
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 20 April 2019
- Autori
- Chenguang Wang, Mu Li, Alexander J. Smola
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Neural Architecture Search - NAS, Language modeling/generation
- Formato numerico
- FP32
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
- 395M
- Dati di addestramento
- 1,300,000,000 tokens
- Epoche
- 50
395M (Table 6)
Table 7: 0.1B (PTB)+ 0.2B (WT-2) + 1.0B (WT-103) = 1.3B We pick 128 as sequence length and 16 as minibatch size "We use NT-ASGD (Merity et al., 2017) to train 50 epochs on training datasets"
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
- 1.5 × 10²⁰ FLOP
- Come è stato stabilito
- Operation counting
6 FLOP / token / parameter * 395000000 parameters * 1300000000 parameters * 50 epochs = 1.5405e+20 FLOP ________ in the Algorithmic progress paper, the estimation was 5.21E+20 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
- Open source
Apache 2.0 license: https://github.com/cgraywang/gluon-nlp-1/blob/lmtransformer/scripts/language_model/train/transformer_lm.py
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
- 139
- Dati di benchmark
- BERT-Large-CAS (PTB+WT2+WT103)
"CAS achieves perplexities between 20.42 and 34.11 on all problems, i.e. on average an improvement of 12.0 perplexity units compared to state-of-the-art LSTMs"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Language Models with Transformers
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
BERT-Large-CAS (PTB+WT2+WT103) è stato pubblicato da Amazon, nel paese registrato come United States of America, durante April 2019. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di neural Architecture Search - NAS, Language modeling/generation.
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 run di addestramento ha consumato circa 1.5 × 10²⁰ FLOP. 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 1,300,000,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
BERT-Large-CAS (PTB+WT2+WT103) — domande comuni
BERT-Large-CAS (PTB+WT2+WT103)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
BERT-Large-CAS (PTB+WT2+WT103)— quanti parametri ha?
Ha un numero di parametri di 395M. 395M (Table 6). 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.
BERT-Large-CAS (PTB+WT2+WT103)— chi l'ha creato?
È stato pubblicato da Amazon, basato su United States of America, un'organizzazione categorizzata come industry.
BERT-Large-CAS (PTB+WT2+WT103)— quando è stato rilasciato?
È stato pubblicato in April 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.
BERT-Large-CAS (PTB+WT2+WT103)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di neural Architecture Search - NAS, Language modeling/generation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
BERT-Large-CAS (PTB+WT2+WT103)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.5 × 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.
BERT-Large-CAS (PTB+WT2+WT103)— 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.