Knowledge distillation student model
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
- Harvard University
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 22 September 2016
- Autori
- Yoon Kim, Alexander M. Rush
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- 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
- 84M
- Dati di addestramento
- 100,000,000 tokens
84M from Table 1.
"The training set has 4m sentences". If the average sentence is ~25 tokens (ballpark), dataset size is 4M * 25 * 2 = 200M tokens
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 × 10¹⁷ FLOP
- Come è stato stabilito
- Operation counting
6ND = 6 FLOP/param/token * 84000000 parameters * 200000000 tokens = 1.008e+17 FLOP (Speculative confidence since the amount of epochs is unknown)
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.
- Codice di addestramento
- Open source
https://github.com/harvardnlp/seq2seq-attn?tab=readme-ov-file MIT License
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Sequence-Level Knowledge Distillation
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Knowledge distillation student model è stato pubblicato da Harvard University, nel paese registrato come United States of America, durante September 2016. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di translation.
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
La produzione di esso ha richiesto un'aritmetica totale di circa 1 × 10¹⁷ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 100,000,000 token di testo
Risposte
Knowledge distillation student model — domande comuni
Knowledge distillation student model— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1 × 10¹⁷ 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.
Knowledge distillation student model— 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.
Knowledge distillation student model— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
Knowledge distillation student model— quanti parametri ha?
Ha un numero di parametri di 84M. 84M from Table 1. 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.
Knowledge distillation student model— chi l'ha creato?
È stato pubblicato da Harvard University, basato su United States of America, un'organizzazione categorizzata come academia.
Knowledge distillation student model— quando è stato rilasciato?
È stato pubblicato in September 2016. 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.
Knowledge distillation student model— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di translation. 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.
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.