Flexi-JEST++
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Google DeepMind
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 25 June 2024
- Auteurs
- Talfan Evans, Nikhil Parthasarathy, Hamza Merzic, Olivier J. Henaff
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- 131,072,000,000,000 tokens
4b training examples seen (figure 1) The vision encoder takes images resized to (256 x 256) and the text-encoder tokenizes text with the sentencepiece tokenizer [26] trained on the English C4 dataset [39]. We crop the text to the first 64 tokens. visual encoder: ViT-B/16 4*10^9*((256/16)^2 + 64) = 1.28e+12 tokens (text and image)
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 1.3 × 10²¹ FLOP
- Hoe het werd opgericht
- Other
1.26*10^21 from the figure 1 there is slight disrepancy (within confidence interval) between sigclip/flexi-jest++ training compute ratio if we compare epoch's estimated compute and table 1
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v5e
- Gebruikte chips
- 256
- Stroomverbruik
- 113.7 kW
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
- Citaties
- 30
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Data curation via joint example selection further accelerates multimodal learning
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Flexi-JEST++ werd gepubliceerd door Google DeepMind, in het land geregistreerd als United States of America, tijdens June 2024. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image classification.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 1.3 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v5e. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 131,072,000,000,000 tekstokens
Antwoorden
Flexi-JEST++ — veelgestelde vragen
Flexi-JEST++— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Flexi-JEST++— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Flexi-JEST++— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Flexi-JEST++— wie heeft het gemaakt?
Het werd gepubliceerd door Google DeepMind, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Flexi-JEST++— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Flexi-JEST++— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image classification. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
Flexi-JEST++— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.3 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v5e. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.