NMST+GPT-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
- New York University (NYU)
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 3 October 2022
- Auteurs
- Eugene Choi, Cheolhyoung Lee, Kyunghyun Cho
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
- Basis model
- GPT-2 (124M)
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
- 124M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 4.97
124M (the same as GPT-2)
500, 000 steps "For computational efficiency, we bucket the dataset into sequences of similar lengths, and each batch contains a maximum of 1,024 total tokens." 500000*1024 = 512 000 000 updates 512 000 000 / 103 000 000 = 4.97087378641 epochs
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
- 1.2 × 10²⁰ FLOP
- Fijn-tuning compute
- 3.8 × 10¹⁷ FLOP
assuming that GPT-2 (124M) compute is similar to GPT-2 (117M) compute, which is 120000000000000000000 FLOP = 1.2 × 10^20 FLOP 120000000000000000000 FLOP + 380928000000000000 FLOP = 1.204×10^20 FLOP
6 FLOP / token / parameter * 512 000 000 tokens * 124 000 000 parameters = 3.80928 × 10^17 FLOP
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
BSD 3-Clause License. Looks like just training code https://github.com/nyu-dl/non-monotonic-self-terminating-lm
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
- Benchmarkgegevens
- NMST+GPT-2
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- A Non-monotonic Self-terminating Language Model
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
NMST+GPT-2 werd gepubliceerd door New York University (NYU), in het land geregistreerd als United States of America, tijdens October 2022. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Het startpunt was een bestaand basismodel, GPT-2 (124M). De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 1.2 × 10²⁰ FLOP. 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 103,000,000 tekstokens
Antwoorden
NMST+GPT-2 — veelgestelde vragen
NMST+GPT-2— wie heeft het gemaakt?
Het werd gepubliceerd door New York University (NYU), gebaseerd op United States of America, een organisatie geclassificeerd als academia.
NMST+GPT-2— 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.
NMST+GPT-2— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. 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.
NMST+GPT-2— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10²⁰ FLOP. 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.
NMST+GPT-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.
NMST+GPT-2— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
NMST+GPT-2— hoeveel parameters heeft het?
Het heeft een parameter telling van 124M. 124M (the same as GPT-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.