MoE-Multi
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
- Jagiellonian University,Google Brain
- Tipo di organizzazione
- Academia,Industry
- Paese
- Poland, United States of America
- Pubblicato
- 23 January 2017
- Autori
- N Shazeer, A Mirhoseini, K Maziarz, A Davis
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling, Translation
- 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
- 8.7B
- Dati di addestramento
- 87,000,000,000 tokens
- Epoche
- 10
- Dimensione del Batch
- 1,365,333
Table 5 https://arxiv.org/abs/1701.06538
"We constructed a similar training set consisting of shuffled unique sentences from Google’s internal news corpus, totalling roughly 100 billion words" Assuming 100 words = 133 tokens
"Training was done synchronously on a cluster of up to 64 GPUs as described in section 3. Each training batch consisted of a set of sentence pairs containing roughly 16000 words per GPU." Although they appear to use word-level tokenization in other experiments, here they use subword tokens: "Similar to GNMT, to effectively deal with rare words, we used subword units (also known as “wordpieces") (Schuster & Nakajima, 2012) for inputs and outputs in our system." In total 64 GPUs * 16k words/GPU * …
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
- 9.4 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
12 days 64 NVIDIA K40 GPUs (see hardware data sheet for performance) 0.33 util rate
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 Tesla K40t
- Chip utilizzati
- 64
- Tempo di parete
- 288 hours (12 days)
- Consumo energetico
- 32.9 kW
- Costo di calcolo
- $3,874
12 days
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.
- Perché è monitorato
- Highly cited,SOTA improvement,Historical significance
- Record fiducia
- Confident
- Citazioni
- 4,587
"On large language modeling and machine translation benchmarks, these models achieve significantly better results than state-of-the-art at lower computational cost"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
MoE-Multi è stato pubblicato da Jagiellonian University,Google Brain, nel paese registrato come Poland, durante January 2017. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling, Translation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 9.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA Tesla K40t. 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 87,000,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,SOTA improvement,Historical significance.
Risposte
MoE-Multi — domande comuni
MoE-Multi— 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.
MoE-Multi— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
MoE-Multi— quanti parametri ha?
Ha un numero di parametri di 8.7B. Table 5 https://arxiv.org/abs/1701.06538. 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.
MoE-Multi— chi l'ha creato?
È stato pubblicato da Jagiellonian University,Google Brain, basato su Poland, un'organizzazione categorizzata come academia,Industry.
MoE-Multi— quando è stato rilasciato?
È stato pubblicato in January 2017. 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.
MoE-Multi— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling, Translation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
MoE-Multi— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 9.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA Tesla K40t. 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.