Verbatim Memory Transformer (108M)
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
- Johns Hopkins University,New York University (NYU)
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 24 October 2022
- Auteurs
- Kristijan Armeni, Christopher Honey, Tal Linzen
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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
- 107.7M
- Training gegevens
- 40,000,000 tokens
Table 3
40M tokens Table 3
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
- 9.9 × 10¹⁷ FLOP
RTX 8000 FP16 FLOPs: 32620000000000 Assumed utilization for single GPU: 0.7 Estimate: 12*60*60*32620000000000*0.7=9.864288e+17
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Quadro RTX 8000
- Gebruikte chips
- 1
- Kloktijd
- 12 hours
- Stroomverbruik
- 286 W
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
- Open source
CC BY 4.0 for code: https://github.com/KristijanArmeni/verbatim-memory-in-NLMs
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
- 9
- Benchmarkgegevens
- Characterizing Verbatim Short-Term Memory in Neural Language Models (108M)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Characterizing Verbatim Short-Term Memory in Neural Language Models
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
Verbatim Memory Transformer (108M) werd gepubliceerd door Johns Hopkins University,New York University (NYU), in het land geregistreerd als United States of America, tijdens October 2022. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 9.9 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Quadro RTX 8000. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 40,000,000 tekstokens
Antwoorden
Verbatim Memory Transformer (108M) — veelgestelde vragen
Verbatim Memory Transformer (108M)— hoeveel parameters heeft het?
Het heeft een parameter telling van 107.7M. Table 3. 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.
Verbatim Memory Transformer (108M)— wie heeft het gemaakt?
Het werd gepubliceerd door Johns Hopkins University,New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
Verbatim Memory Transformer (108M)— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Verbatim Memory Transformer (108M)— 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.
Verbatim Memory Transformer (108M)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.9 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA Quadro RTX 8000. 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.
Verbatim Memory Transformer (108M)— 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.
Verbatim Memory Transformer (108M)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
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.