Brain2Qwerty
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
- Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition
- Tipo di organizzazione
- Industry,Academia,Academia
- Paese
- United States of America, France, Spain
- Pubblicato
- 18 February 2025
- Autori
- Jarod Lévy,, Mingfang (Lucy) Zhang, Svetlana Pinet, Jérémy Rapin, Hubert Banville, Stéphane d’Ascoli, Jean-Rémi King
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language 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
- 400M
- Dati di addestramento
- tokens
- Epoche
- 100
a total of ∼ 400M parameters (258M for Conv, 138M for Trans)
The model is trained for 100 epochs with a batch size of 128 Custom dataset collected from 35 participants typing 128 unique Spanish sentences
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 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
125000000000000 FLOP / GPU / sec [V100 reported, bf16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.62e+18 FLOP
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
- Chip utilizzati
- 1
- Tempo di parete
- 12 hours
- Consumo energetico
- 324 W
Training was conducted on a single NVIDIA Tesla V100 Volta GPU with 32 GB of memory. The total runtime for training one model is ∼12 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
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Brain-to-Text Decoding: A Non-invasive Approach via Typing
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
Brain2Qwerty è stato pubblicato da Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, nel paese registrato come United States of America, durante February 2025. La categoria sotto cui rientra l'editore è industry,Academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language 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 1.6 × 10¹⁸ 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.
Risposte
Brain2Qwerty — domande comuni
Brain2Qwerty— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language 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.
Brain2Qwerty— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.6 × 10¹⁸ 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.
Brain2Qwerty— 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.
Brain2Qwerty— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
Brain2Qwerty— quanti parametri ha?
Ha un numero di parametri di 400M. a total of ∼ 400M parameters (258M for Conv, 138M for Trans). 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.
Brain2Qwerty— chi l'ha creato?
È stato pubblicato da Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, basato su United States of America, un'organizzazione categorizzata come industry,Academia,Academia.
Brain2Qwerty— quando è stato rilasciato?
È stato pubblicato in February 2025.
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.