FAIRSEQ Adaptive Inputs
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
- Facebook AI Research,Google Brain
- Tipo di organizzazione
- Industry,Industry
- Paese
- United States of America, France
- Pubblicato
- 1 April 2019
- Autori
- Myle Ott, Sergey Edunov, Alexei Baevski, Angela Fan, Sam Gross, Nathan Ng, David Grangier, Michael Auli
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling/generation
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
- 247M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 180
"The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer
assuming same number of epochs as in Baevski and Auli (2019) Transformer - 180
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
- 3.2 × 10¹⁹ FLOP
- Come è stato stabilito
- Operation counting,Hardware
6 FLOP / parameter / token * 247000000 parameters * 103000000 tokens * 180 epochs = 2.747628e+19 FLOP for translation model, Table 2: 31330000000000 FLOP / second / GPU * 128 GPUs * 8.5 hours * 3600 seconds / hour * 0.3 [assumed precision] = 3.6814003e+19 FLOP sqrt(2.747628e+19*3.6814003e+19) = 3.1804274e+19 FLOP Speculative confidence since amount of parameters and epochs are assumed as well as hardware estimation is given for another model in the paper __________ In the Algorithmic progr…
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
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
weights and training, Repo is MIT-licensed https://github.com/facebookresearch/fairseq/blob/main/examples/language_model/README.adaptive_inputs.md
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
- Citazioni
- 3,381
- Dati di benchmark
- FAIRSEQ Adaptive Inputs
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- fairseq: A Fast, Extensible Toolkit for Sequence Modeling
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
FAIRSEQ Adaptive Inputs è stato pubblicato da Facebook AI Research,Google Brain, nel paese registrato come United States of America, durante April 2019. L'organizzazione di pubblicazione è classificata come industry,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 3.2 × 10¹⁹ 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 103,000,000 token di testo
Risposte
FAIRSEQ Adaptive Inputs — domande comuni
FAIRSEQ Adaptive Inputs— chi l'ha creato?
È stato pubblicato da Facebook AI Research,Google Brain, basato su United States of America, un'organizzazione categorizzata come industry,Industry.
FAIRSEQ Adaptive Inputs— 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.
FAIRSEQ Adaptive Inputs— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. 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.
FAIRSEQ Adaptive Inputs— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.2 × 10¹⁹ 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.
FAIRSEQ Adaptive Inputs— 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.
FAIRSEQ Adaptive Inputs— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
FAIRSEQ Adaptive Inputs— quanti parametri ha?
Ha un numero di parametri di 247M. "The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer. 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.
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.