JEST++
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Google DeepMind
- Organisatie type
- 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 er verschillende van elk bevatten.
- Domein
- Vision
- Taak
- Image classification
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- 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 berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 1.9 × 10²¹ FLOP
- Hoe het werd opgericht
- Other
1.9*10^21 from figure 1 and table 1 there is slight disrepancy (within confidence interval) between sigclip/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 net trok.
- Trainingshardware
- Google TPU v5e
- Chips used
- 256
- Energieverbruik
- 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
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Confident
- Citations
- 30
Bronnen
Waar deze record vandaan komt en wanneer het 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
Background
JEST++ was published by Google DeepMind, in United States of America, in June 2024. It comes out of industry.
It works in Vision, and is recorded as doing image classification.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Training and provenance
Producing it required around 1.9 × 10²¹ FLOP of arithmetic, on Google TPU v5e, which is a statement about the training budget rather than about inference.
It was trained on about 131,072,000,000,000 tokens of text.
Antwoorden
JEST++ — Veelgestelde vragen
Is JEST++ open source?
No. JEST++ has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does JEST++ have?
No parameter count has been published for JEST++, which is why no memory or speed figure appears on this page.
Who created JEST++?
JEST++ was published by Google DeepMind, based in United States of America, categorised as industry.
When was JEST++ released?
JEST++ was published in June 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is JEST++ used for?
JEST++ works in Vision, and is recorded as handling image classification. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train JEST++?
Around 1.9 × 10²¹ FLOP, on Google TPU v5e. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run JEST++?
None. JEST++ is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.