Med-PaLM 2
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
- Google Research,DeepMind
- Organisatietype
- Industry,Industry
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 16 May 2023
- Auteurs
- Karan Singhal, Tao Tu, Juraj Gottweis, Rory Sayres, Ellery Wulczyn, Le Hou, Kevin Clark, Stephen Pfohl, Heather Cole-Lewis, Darlene Neal, Mike Schaekermann, Amy Wang, Mohamed Amin, Sami Lachgar, Philip Mansfield, Sushant Prakash, Bradley Green, Ewa Dominowska, Blaise Aguera y Arcas, Nenad Tomasev, Yun Liu, Renee Wong, Christopher Semturs, S. Sara Mahdavi, Joelle Barral, Dale Webster, Greg S. Corra…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Medicine, Language
- Taak
- Question answering
- Basis model
- PaLM 2
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
- 340B
- Training gegevens
- 16,020,450 tokens
from PaLM 2
Dataset Count Mixture ratio MedQA 10,178 37.5% MedMCQA 182,822 37.5% LiveQA 10 3.9% MedicationQA 9 3.5% HealthSearchQA 45 17.6% MedMCQA (https://proceedings.mlr.press/v174/pal22a/pal22a.pdf, Table 2) has on average 12.77+ 2.69+67.52 = 82.98 tokens per datapoint
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Likely
https://paperswithcode.com/sota/question-answering-on-medqa-usmle "Med-PaLM 2 scored up to 86.5% on the MedQA dataset, improving upon Med-PaLM by over 19% and setting a new state-of-the-art. We also observed performance approaching or exceeding state-of-the-art across MedMCQA, PubMedQA, and MMLU clinical topics datasets."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Towards Expert-Level Medical Question Answering with Large Language Models
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Med-PaLM 2 werd gepubliceerd door Google Research,DeepMind, in het land geregistreerd als United States of America, tijdens May 2023. De categorie waaronder de uitgever valt is industry,Industry.
Het werkt in het domein van Medicine, Language, en wordt geregistreerd als het uitvoeren van de taak van question answering.
In plaats van vanaf nul te worden getraind, is het afgeleid van PaLM 2. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Het is getraind op een corpus van ongeveer 16,020,450 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
Med-PaLM 2 — veelgestelde vragen
Med-PaLM 2— wie heeft het gemaakt?
Het werd gepubliceerd door Google Research,DeepMind, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
Med-PaLM 2— 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.
Med-PaLM 2— waarvoor wordt het gebruikt?
Het werkt in het domein van Medicine, Language, en wordt geregistreerd als het afhandelen van question answering. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Med-PaLM 2— 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.
Med-PaLM 2— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Med-PaLM 2— hoeveel parameters heeft het?
Het heeft een parameter telling van 340B. from PaLM 2. 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.
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.