Minerva (540B)
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 29 June 2022
- Auteurs
- Aitor Lewkowycz, Anders Andreassen, David Dohan, Ethan Dyer, Henryk Michalewski, Vinay Ramasesh, Ambrose Slone, Cem Anil, Imanol Schlag, Theo Gutman-Solo, Yuhuai Wu, Behnam Neyshabur, Guy Gur-Ari, Vedant Misra
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Quantitative reasoning, Mathematical reasoning, Language modeling/generation, Question answering
- Aanpak
- Self-supervised learning
- Basis model
- PaLM (540B)
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
- 540.4B
- Training gegevens
- 26,000,000,000 tokens
"To further our understanding of the impact of scale on few-shot learning, we trained a 540-billion parameter, densely activated, Transformer language model, which we call Pathways Language Model (PaLM)." Our approach is to start with the PaLM pretrained decoder-only transformer language models Chowdhery et al. (2022), and further train (finetune) them on our mathematical dataset using an autoregressive objective. Table 2 contains the main model and training hyperparameters. See Table 2
"Our models were trained on a dataset of 38.5B tokens" + PaLM upd 38.5B tokens - sie of the dataset, the model saw 26B tokens in 399k steps (see Table 2)
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
- 2.7 × 10²⁴ FLOP
- Hoe het werd opgericht
- Hardware
- Fijn-tuning compute
- 2.1 × 10²³ FLOP
Minerva was fine-tuned from PaLM using the same hardware. Assume the same model FLOPs utilization rate for pre-training and fine-tuning. "the 540B model was trained for 29 days on a v4-1024" PaLM pretraining time: 6144 TPU for 1200 hours + 3072 TPU for 336 hours = @8404992 TPU-hours Minerva finetuning time: 1024 TPU for 696 hours = 712704 TPU-hours So fine-tuning added 8.5% more compute. Minerva total compute = PaLM pretraining compute * (712704+8404992)/(8404992) = 2.7415*10^24 FLOP https://w…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v4
- Gebruikte chips
- 1,024
- Chip-uren
- 712,704
- Kloktijd
- 696 hours (29 days)
- Stroomverbruik
- 698.4 kW
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.
- Grensmodel
- Yes
- Basis model
- Yes
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 1,673
"We achieve state-of-the-art performance on MATH Hendrycks et al. (2021), GSM8k Cobbe et al. (2021), and a STEM subset of the MMLU Hendrycks et al. (2020) dataset"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Solving Quantitative Reasoning Problems with Language Models
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Minerva (540B) werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens June 2022. 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 quantitative reasoning, Mathematical reasoning, Language modeling/generation, Question answering.
In plaats van vanaf nul te worden getraind, is het afgeleid van PaLM (540B). Dat is waarom het de algemene vorm en grootte van het basismodell deelt.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
De training run verbruikte ongeveer 2.7 × 10²⁴ FLOP, op hardware vastgelegd als Google TPU v4. 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 26,000,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
Minerva (540B) — veelgestelde vragen
Minerva (540B)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.7 × 10²⁴ FLOP, op hardware vastgelegd als Google TPU v4. 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.
Minerva (540B)— 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.
Minerva (540B)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Minerva (540B)— hoeveel parameters heeft het?
Het heeft een parameter telling van 540.4B. "To further our understanding of the impact of scale on few-shot learning, we trained a 540-billion parameter, densely activated, Transformer language model, which we call Pathways Language Model (PaLM)." Our approach is to start with the PaLM pretrained decoder-only transformer language models Chowdhery et al. (2022), and further train (finetune) them on our mathematical dataset using an autoregressive objective. Table 2 contains the main model and training hyperparameters. See Table 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.
Minerva (540B)— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Minerva (540B)— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Minerva (540B)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van quantitative reasoning, Mathematical reasoning, Language modeling/generation, Question answering. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.