DITTO
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
- Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK)
- Organisatietype
- Academia,Industry,Academia,Academia
- Land
- China, United States of America, Hong Kong
- Gepubliceerd
- 6 June 2022
- Auteurs
- Jin Xu, Xiaojiang Liu, Jianhao Yan, Deng Cai, Huayang Li, Jian Li
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Text summarization
- Numerieke indeling
- FP16
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
- 750M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 7.16
"We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096."
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
- 3.3 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 160000 steps * 3 samples per batch * 1536 tokens per sample * 750000000 parameters = 3.31776 × 10^18 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 V100
- Gebruikte chips
- 8
- Stroomverbruik
- 4.8 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
- Open source
open code https://github.com/Jxu-Thu/DITTO training: https://github.com/Jxu-Thu/DITTO/blob/main/train.py
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
- Confident
- Citaties
- 109
- Benchmarkgegevens
- DITTO
Achieves SOTA on CNN/DailyMail by fine-tuning and improving on BART-large, which is SOTA
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning to Break the Loop: Analyzing and Mitigating Repetitions for Neural Text Generation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
DITTO werd gepubliceerd door Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), in het land geregistreerd als China, tijdens June 2022. De publicerende organisatie is geclassificeerd als academia,Industry,Academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Text summarization.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 3.3 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 103,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
DITTO — veelgestelde vragen
DITTO— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.3 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. 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.
DITTO— 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.
DITTO— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
DITTO— hoeveel parameters heeft het?
Het heeft een parameter telling van 750M. "We train a Transformer model (750M parameters, similar to GPT-2 Large)" "Specifically, we use a 16-layer Transformer with 8 attention heads, hidden size 1024 and fully-connected dimension 4096.". 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.
DITTO— wie heeft het gemaakt?
Het werd gepubliceerd door Tsinghua University,Apple,Westlake University,Chinese University of Hong Kong (CUHK), gebaseerd op China, een organisatie geclassificeerd als academia,Industry,Academia,Academia.
DITTO— 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.
DITTO— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Text summarization. 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.
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.