QT-Opt
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,University of California (UC) Berkeley
- Tipo di organizzazione
- Industry,Academia
- Paese
- United States of America
- Pubblicato
- 27 June 2018
- Autori
- Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Robotics, Vision
- Compito
- Robotic manipulation
- Approccio
- Reinforcement learning
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
- 1.2M
- Dati di addestramento
- 11,600,000 tokens
- Epoche
- 80
"The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters"
Observations take up 4TB of disk space, and the input space is a 472x472 RGB image. Assuming 24 bit depth color (8 bits per channel), that suggests 472 * 472 * 3 * 8 bits = 668.352 kB per image (this could be off by a factor of 2 depending on actual bit depth) 4 TB / 668.352 kB = 5,984,870 images; around 10 per grasp attempt. 15M gradient steps with batchsize 32 implies: 15M steps * 32 images/step * 1/5984870 images ~= each image seen 80 times
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
- 1.4 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 9.30E+12 FLOP/sec/GPU * 0.4 utilization * 10 GPU = 1.395E+19
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 P100
- Tempo di parete
- 104 hours
- Costo di calcolo
- $1,318
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 1/3600 hours/second = 104.2 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
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 1,692
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
QT-Opt è stato pubblicato da Google Brain,University of California (UC) Berkeley, nel paese registrato come United States of America, durante June 2018. L'organizzazione di pubblicazione è classificata come industry,Academia.
Funziona nel dominio di Robotics, Vision, ed è registrato come eseguire il compito di robotic manipulation.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
Il run di addestramento ha consumato circa 1.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA P100. 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 11,600,000 token di testo
Risposte
QT-Opt — domande comuni
QT-Opt— quanti parametri ha?
Ha un numero di parametri di 1.2M. "The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters". 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.
QT-Opt— chi l'ha creato?
È stato pubblicato da Google Brain,University of California (UC) Berkeley, basato su United States of America, un'organizzazione categorizzata come industry,Academia.
QT-Opt— quando è stato rilasciato?
È stato pubblicato in June 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.
QT-Opt— A cosa serve?
Funziona nel dominio di Robotics, Vision, e viene registrato come gestire il compito di robotic manipulation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
QT-Opt— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA P100. 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.
QT-Opt— 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.
QT-Opt— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
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.