B2T connection (16L)
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
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
- LINE Corporation,Tohoku University
- Organisatietype
- Industry,Academia
- Land
- Japan
- Gepubliceerd
- 1 June 2022
- Auteurs
- Sho Takase, Shun Kiyono, Sosuke Kobayashi, Jun Suzuki
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Question answering
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.
- Training gegevens
- 103,000,000 tokens
- Epochs
- 95
"We used WikiText-103 (Merity et al., 2017), which consists of a large number of tokens. The training, validation, and test sets contain 103M, 0.2M, and 0.2M tokens, respectively" Table 6 updates: 50K tokens/GPU: 1024 GPUs (Table 7): 192 50000*1024*192/103000000 = 95 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
- 2.8 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
192*7 GPU (P100) hours per Table 6 19 TFLOP/s 19 trillion * 192 * 7 * 3600 * 0.3 = 2.76e19 6 FLOP / parameter / token * 247000000 parameters [not sure how it was estimated] * 50000 steps * 1024 tokens / GPU * 192 GPUs = 1.4568653e+19 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 P100
- Gebruikte chips
- 192
- Kloktijd
- 7 hours
- Stroomverbruik
- 96.3 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
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Open source
code and weights, MIT: https://github.com/takase/b2t_connection?tab=readme-ov-file
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
- 18
- Benchmarkgegevens
- B2T connection (16L)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- On Layer Normalizations and Residual Connections in Transformers
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
B2T connection (16L) werd gepubliceerd door LINE Corporation,Tohoku University, in het land geregistreerd als Japan, tijdens June 2022. De categorie waaronder de uitgever valt is industry,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Question answering.
De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.
Training en herkomst
De training run verbruikte ongeveer 2.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. 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 103,000,000 tekstokens
Antwoorden
B2T connection (16L) — veelgestelde vragen
B2T connection (16L)— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
B2T connection (16L)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. 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.
B2T connection (16L)— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
B2T connection (16L)— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
B2T connection (16L)— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
B2T connection (16L)— wie heeft het gemaakt?
Het werd gepubliceerd door LINE Corporation,Tohoku University, gebaseerd op Japan, een organisatie geclassificeerd als industry,Academia.
B2T connection (16L)— 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.
B2T connection (16L)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Question answering. 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.