Llama 2-34B
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
- Meta AI
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 18 July 2023
- Auteurs
- Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, Dan Bikel, Lukas Blecher, Cristian Canton Ferrer, Moya Chen, Guillem Cucurull, David Esiobu, Jude Fernandes, Jeremy Fu, Wenyin Fu, Brian Fuller, Cynthia Gao, Vedanuj Goswami, Naman Goyal, Anthony Hartshorn, Saghar Hosseini, Rui Hou, Hakan Inan,…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Aanpak
- Supervised
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
- 34B
- Training gegevens
- 2,000,000,000,000 tokens
- Epochs
- 1
- Batchgrootte
- 4,000,000
Llama has been released in 7B, 13B, 34B, and 70B variants.
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
- 4.1 × 10²³ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
All models sizes trained on 2.0T tokens, per table 1 2T * 34b * 6 = 4.08e23 Also trained on 1038336 A100-hours, which is 3.5e23 at 30% utilization. So the utilization was probably around 35%.
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100 SXM4 80 GB
- Rekenkosten
- $600,470
- Datacenter
- Meta’s Research Super Cluster
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.
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- Highly cited
- Record vertrouwen
- Confident
- Citaties
- 16,911
Model has been open-sourced and frequently downloaded. The paper claims that Llama 2 is the current best open-source chat model as of its release date.
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Llama 2: Open Foundation and Fine-Tuned Chat Models
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
Llama 2-34B werd gepubliceerd door Meta AI, in het land geregistreerd als United States of America, tijdens July 2023. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Training kostte een rekensbudget van ongeveer 4.1 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 80 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 2,000,000,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: highly cited.
Antwoorden
Llama 2-34B — veelgestelde vragen
Llama 2-34B— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Llama 2-34B— hoeveel parameters heeft het?
Het heeft een parameter telling van 34B. Llama has been released in 7B, 13B, 34B, and 70B variants. 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.
Llama 2-34B— wie heeft het gemaakt?
Het werd gepubliceerd door Meta AI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Llama 2-34B— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Llama 2-34B— 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 2-34B— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.1 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A100 SXM4 80 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.
Llama 2-34B— 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.