Llama-3.1-Nemotron-70B-Instruct
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
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
- NVIDIA,Meta AI
- Organisatietype
- Industry,Industry
- Land
- United States of America
- Gepubliceerd
- 12 June 2024
- Auteurs
- Zhilin Wang, Yi Dong, Olivier Delalleau, Jiaqi Zeng, Gerald Shen, Daniel Egert, Jimmy Zhang, Makesh Narsimhan Sreedhar, Oleksii Kuchaiev
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Aanpak
- Reinforcement learning
- Basis model
- Llama 3.1-70B
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
- tokens
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
- 7.9 × 10²⁴ FLOP
- Hoe het werd opgericht
- Hardware
- Fijn-tuning compute
- 1 × 10²⁰ FLOP
Taken from Llama 3.1 70B as the finetuning compute is multiple orders of magnitude lower
Llama 3.1 70B: 7.929e+24 FT (see Appendix F): 32+64=96 hours on a single H100 Compute: 96*60*60*989500000000000*0.3=102591360000000000000=1e20
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 96 hours
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
- Open — downloadable
- Toegang tot model
- Open weights (restricted use)
- Training code
- Unreleased
- Hugging Face
- nvidia
Your use of this model is governed by the NVIDIA Open Model License. Additional Information: Llama 3.1 Community License Agreement (branding restrictions + cap size of 700M MAu for commercial use). https://huggingface.co/nvidia/Llama-3.1-Nemotron-70B-Instruct-HF
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.
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
"As of 1 Oct 2024, Llama-3.1-Nemotron-70B-Instruct performs best on Arena Hard, AlpacaEval 2 LC (verified tab) and MT Bench (GPT-4-Turbo)"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- https://www.semanticscholar.org/paper/HelpSteer2%3A-Open-source-dataset-for-training-reward-Wang-Dong/f590d8926dd12345a3bd22253461850f5ca4b3ed
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Llama-3.1-Nemotron-70B-Instruct werd gepubliceerd door NVIDIA,Meta AI, in het land geregistreerd als United States of America, tijdens June 2024. De categorie waaronder de uitgever valt is industry,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
In plaats van vanaf nul te worden getraind, is het afgeleid van Llama 3.1-70B. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload. Op Hugging Face is het gepubliceerd onder de organisatie nvidia.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 7.9 × 10²⁴ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
Llama-3.1-Nemotron-70B-Instruct — veelgestelde vragen
Llama-3.1-Nemotron-70B-Instruct— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
Llama-3.1-Nemotron-70B-Instruct— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
Llama-3.1-Nemotron-70B-Instruct— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Llama-3.1-Nemotron-70B-Instruct— wie heeft het gemaakt?
Het werd gepubliceerd door NVIDIA,Meta AI, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
Llama-3.1-Nemotron-70B-Instruct— 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.
Llama-3.1-Nemotron-70B-Instruct— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Llama-3.1-Nemotron-70B-Instruct— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie nvidia. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
Llama-3.1-Nemotron-70B-Instruct— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.9 × 10²⁴ FLOP. 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.