Imagen
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
- Google Brain
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 23 May 2022
- Auteurs
- Chitwan Saharia, William Chan, Saurabh Saxena, Lala Li, Jay Whang, Emily Denton, Seyed Kamyar Seyed Ghasemipour, Burcu Karagol Ayan, S. Sara Mahdavi, Rapha Gontijo Lopes, Tim Salimans, Jonathan Ho, David J Fleet, Mohammad Norouzi
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Image generation
- Taak
- Text-to-image, Image generation
- Aanpak
- Self-supervised learning
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
- 7.8B
- Training gegevens
- tokens
2B 64x64 generation model, 600M 64->256 super-resolution model, 400M 256->1024 super-resolution model Uses encodings from a frozen T5-XXL, which should be included in total parameter count. Loading the model directly, there are 4,762,310,656 parameters in the encoder. 2B + 4.762B + 600M + 400M = 7.762 billion here they claim it is 3B parameters: https://arxiv.org/pdf/2407.15811
[IMAGE-TEXT PAIRS] "We train on a combination of internal datasets, with ≈ 460M image-text pairs, and the publicly available Laion dataset [61], with ≈ 400M image-text pairs."
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
- 1.5 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
256 TPU v4 chips for 64x64, for 4 days 128 TPU v4 chips for 64->256, for 2 days 128 TPU v4 chips for 256->1024, for 2 days 256 TPUs * 275 teraFLOPS/TPU * 4 days + 2 * (128 TPUs * 275 teraFLOPS/TPU * 2 days) * 40% utilization = 1.46e+22 FLOP
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
- 256
- Chip-uren
- 24,576
- Kloktijd
- 96 hours
- Stroomverbruik
- 174.7 kW
- Rekenkosten
- $7,916
4 days
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
- API access
- 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.
- Basis model
- Yes
- Waarom het wordt gevolgd
- Significant use,SOTA improvement,Highly cited
- Record vertrouwen
- Likely
- Citaties
- 8,259
"Imagen achieves a new state-of-the-art FID score of 7.27 on the COCO dataset, without ever training on COCO" Also SOTA on MS-COCO (Table 5: https://arxiv.org/pdf/2206.10789v1)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Imagen werd gepubliceerd door Google Brain, in het land geregistreerd als United States of America, tijdens May 2022. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van text-to-image, Image generation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1.5 × 10²² 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.
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: significant use,SOTA improvement,Highly cited.
Antwoorden
Imagen — veelgestelde vragen
Imagen— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van text-to-image, Image generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Imagen— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.5 × 10²² 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.
Imagen— 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.
Imagen— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Imagen— hoeveel parameters heeft het?
Het heeft een parameter telling van 7.8B. 2B 64x64 generation model, 600M 64->256 super-resolution model, 400M 256->1024 super-resolution model Uses encodings from a frozen T5-XXL, which should be included in total parameter count. Loading the model directly, there are 4,762,310,656 parameters in the encoder. 2B + 4.762B + 600M + 400M = 7.762 billion here they claim it is 3B parameters: https://arxiv.org/pdf/2407.15811. 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.
Imagen— wie heeft het gemaakt?
Het werd gepubliceerd door Google Brain, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Imagen— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.