Mesh-TensorFlow Transformer 4.9B (language)
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
- Google Brain
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 5 November 2018
- Autori
- Noam Shazeer, Youlong Cheng, Niki Parmar, Dustin Tran, Ashish Vaswani, Penporn Koanantakool, Peter Hawkins, Hyoukjoong Mingsheng Lee, Cliff Hong, Ryan Young, Blake Sepassi, Hechtman
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, 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
- 4.9B
- Dati di addestramento
- 5,000,000,000 tokens
- Epoche
- 10
4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'
from section 9.1. Experiments done on a "billion word benchmark" and a 5B token wikipedia dataset. At 4/3 tokens per word, 1.3B tokens in the first.
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
- 1.6 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
flops = (256) * ( 45 * 10**12) * (13 * 3600) * (0.3) = 1.6e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.' from https://en.wikipedia.org/wiki/Tensor_Processing_Unit 45TFLOPs per chips
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 v2
- Chip utilizzati
- 256
- Chip-ore
- 3,328
- Tempo di parete
- 13 hours
- Consumo energetico
- 148.1 kW
- Costo di calcolo
- $935
from section 9.1 "For the billion-word language modeling benchmark, we trained the models for 10 epochs. The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster."
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
code here, apache license: https://github.com/tensorflow/mesh/tree/master/mesh_tensorflow/transformer https://github.com/tensorflow/mesh/blob/master/mesh_tensorflow/transformer/transformer.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
- Confident
- Citazioni
- 437
'Using TPU meshes of up to 512 cores, we train Transformer models with up to 5 billion parameters, surpassing state of the art results on WMT'14 English-to-French translation task and the one-billion-word language modeling benchmark.'
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Mesh-TensorFlow: Deep Learning for Supercomputers
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
Mesh-TensorFlow Transformer 4.9B (language) è stato pubblicato da Google Brain, nel paese registrato come United States of America, durante November 2018. L'organizzazione di pubblicazione è classificata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation, Translation.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 1.6 × 10²⁰ FLOP, su hardware registrato come Google TPU v2. 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 5,000,000,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
Mesh-TensorFlow Transformer 4.9B (language) — domande comuni
Mesh-TensorFlow Transformer 4.9B (language)— 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.
Mesh-TensorFlow Transformer 4.9B (language)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Mesh-TensorFlow Transformer 4.9B (language)— quanti parametri ha?
Ha un numero di parametri di 4.9B. 4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'. 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.
Mesh-TensorFlow Transformer 4.9B (language)— chi l'ha creato?
È stato pubblicato da Google Brain, basato su United States of America, un'organizzazione categorizzata come industry.
Mesh-TensorFlow Transformer 4.9B (language)— quando è stato rilasciato?
È stato pubblicato in November 2018. 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.
Mesh-TensorFlow Transformer 4.9B (language)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation, Translation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Mesh-TensorFlow Transformer 4.9B (language)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.6 × 10²⁰ FLOP, su hardware registrato come Google TPU v2. 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.
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.