DreamLLM
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
- Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology
- Organisatietype
- Academia,Industry,Academia,Academia
- Land
- China
- Gepubliceerd
- 20 September 2023
- Auteurs
- Runpei Dong, Chunrui Han, Yuang Peng, Zekun Qi, Zheng Ge, Jinrong Yang, Liang Zhao, Jianjian Sun, Hongyu Zhou, Haoran Wei, Xiangwen Kong, Xiangyu Zhang, Kaisheng Ma, Li Yi
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Multimodal, Language, Vision, Image generation
- Taak
- Language modeling/generation, Vision-language generation, Image generation
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.
- parameters
- 7B
- Training gegevens
- 70,369,280,000 tokens
- Epochs
- 1
7B
from Table 13: 30M pairs image and text, 4M interleaved image-text documents, and 120k instruction examples
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
- 7.5 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
Table 13: 128xA800 GPU for (6+10+1.5) hours flops = (128) * ( 312 * 10**12) * (17.5 * 3600) * (0.3) = 7.5e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A800 PCIe 40 GB
- Gebruikte chips
- 128
- Chip-uren
- 2,240
- Kloktijd
- 18 hours
- Stroomverbruik
- 63.6 kW
from Table 11: (6+10+1.5) hours
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
- 318
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- DreamLLM: Synergistic Multimodal Comprehension and Creation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
DreamLLM werd gepubliceerd door Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, in het land geregistreerd als China, tijdens September 2023. Het komt uit een organisatie gecategoriseerd als academia,Industry,Academia,Academia.
Het werkt in het domein van Multimodal, Language, Vision, Image generation, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Vision-language generation, Image generation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 7.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A800 PCIe 40 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 70,369,280,000 tekstokens
Antwoorden
DreamLLM — veelgestelde vragen
DreamLLM— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
DreamLLM— hoeveel parameters heeft het?
Het heeft een parameter telling van 7B. 7B. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
DreamLLM— wie heeft het gemaakt?
Het werd gepubliceerd door Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, gebaseerd op China, een organisatie geclassificeerd als academia,Industry,Academia,Academia.
DreamLLM— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
DreamLLM— waarvoor wordt het gebruikt?
Het werkt in het domein van Multimodal, Language, Vision, Image generation, en wordt geregistreerd als het afhandelen van language modeling/generation, Vision-language generation, Image generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
DreamLLM— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.5 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A800 PCIe 40 GB. 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.
DreamLLM— 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.
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.