UniDiffuser (多模态大模型)
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
- ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI
- Organisatietype
- Industry,Academia,Academia
- Land
- China
- Gepubliceerd
- 30 May 2023
- Auteurs
- Fan Bao, Shen Nie, Kaiwen Xue, Chongxuan Li, Shi Pu, Yaole Wang, Gang Yue, Yue Cao, Hang Su, Jun Zhu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Image generation
- Taak
- Text-to-image, Image captioning, Image generation, Image-to-image
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
"The training is multiple-staged following Stable Diffusion (Rombach et al., 2022). In the first stage, we train 250K steps at 256×256 resolution on laion2B-en with a batch size of 11264 and 5K warm-up steps. In the second stage, we fine-tune the model with 200K steps at 512×512 resolution on laion-high-resolution with a batch size of 2112 and 5K warm-up steps. In the last stage, we resume from the last checkpoint of the second stage (including both weights of the model and states of the optimiz…
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
- 2 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
312000000000000 FLOP/GPU/sec * 672 hours * 3600 sec / hour * 88 GPUs * 0.3 [assumed utilization] = 1.992646656e+22 FLOP
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
- Gebruikte chips
- 88
- Kloktijd
- 672 hours (28 days)
- Stroomverbruik
- 70.1 kW
"The training takes around 28 days on 88 A100 (80GB) GPUs" 28 days = 672 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 (unrestricted)
- Training code
- Unreleased
- Hugging Face
- thu-ml
AGPL-3.0 https://github.com/thu-ml/unidiffuser https://huggingface.co/thu-ml/unidiffuser-v1
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
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- One Transformer Fits All Distributions in Multi-Modal Diffusion at Scale
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
UniDiffuser (多模态大模型) werd gepubliceerd door ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, in het land geregistreerd als China, tijdens May 2023. De categorie waaronder de uitgever valt is industry,Academia,Academia.
Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van text-to-image, Image captioning, Image generation, Image-to-image.
Het feit dat de gewichten open zijn, is wat deze pagina in de calculator plaatst in plaats van alleen in de catalogus: het is een model dat je daadwerkelijk kunt vasthouden. Op Hugging Face is het gepubliceerd onder de organisatie thu-ml.
Training en herkomst
De training run verbruikte ongeveer 2 × 10²² 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.
Antwoorden
UniDiffuser (多模态大模型) — veelgestelde vragen
UniDiffuser (多模态大模型)— 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.
UniDiffuser (多模态大模型)— 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.
UniDiffuser (多模态大模型)— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
UniDiffuser (多模态大模型)— wie heeft het gemaakt?
Het werd gepubliceerd door ShengShu,Tsinghua University,Beijing Academy of Artificial Intelligence / BAAI, gebaseerd op China, een organisatie geclassificeerd als industry,Academia,Academia.
UniDiffuser (多模态大模型)— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
UniDiffuser (多模态大模型)— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van text-to-image, Image captioning, Image generation, Image-to-image. 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.
UniDiffuser (多模态大模型)— waar kan ik het downloaden?
Zijn gewichten zijn gepubliceerd op Hugging Face, onder de organisatie thu-ml. Wij hosten geen modelbestanden - deze site berekent welke hardware nodig is om ze te draaien.
UniDiffuser (多模态大模型)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2 × 10²² 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.
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.