Flamingo
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
- DeepMind
- Organisatietype
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 29 April 2022
- Auteurs
- Jean-Baptiste Alayrac, Jeff Donahue, Pauline Luc, Antoine Miech, Iain Barr, Yana Hasson, Karel Lenc, Arthur Mensch, Katie Millican, Malcolm Reynolds, Roman Ring, Eliza Rutherford, Serkan Cabi, Tengda Han, Zhitao Gong, Sina Samangooei, Marianne Monteiro, Jacob Menick, Sebastian Borgeaud, Andrew Brock, Aida Nematzadeh, Sahand Sharifzadeh, Mikolaj Binkowski, Ricardo Barreira, Oriol Vinyals, Andrew Zi…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Multimodal, Vision, Language, Video
- Taak
- Visual question answering, Image captioning
- Aanpak
- Supervised
- Basis model
- Chinchilla
- Numerieke indeling
- BF16
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
- 80B
- Training gegevens
- 458,333,333,333 tokens
"We obtain three models, Flamingo-3B, Flamingo-9B and Flamingo-80B" " The Flamingo-80B model builds on top of the frozen Chinchilla 70B language model [42]. Starting from the very first layer and before every seventh transformer blocks, we add a GATED XATTN-DENSE layer attending to the visual inputs; this accounts for 10B additional learned parameters. For simplicity, we refer to this model as simply Flamingo throughout the paper"
Flamingo was trained on a mixture of web-scraped datasets: 43M pages of text with interleaved images (MultiModal MassiveWeb dataset) 312M image-text pairs (LTIP dataset) 27M video-text pairs (VTP dataset) 1.8B image-alt text pairs (ALIGN dataset) Training dataset size is at least 2.1 billion.
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
- 2.2 × 10²³ FLOP
- Hoe het werd opgericht
- Hardware
1536 TPU v4 chips for 15 days. Assuming 40% utilization: C = 1536 TPU * 275*10^12 FLOP/s/TPU * 15 day * 86400 s/day * 0.40 = 2.2*10^23 FLOP "All training and evaluation was performed on TPUv4 instances. The largest model containing 80 billion parameters is trained on QUSV chips for 15 days and sharded across 16 devices." "All trained parameters and optimizer accumulators are stored and updated in float32; all activations and gradients are computed in bfloat16 after downcasting of parameters fr…
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
- 1,536
- Chip-uren
- 552,960
- Kloktijd
- 360 hours (15 days)
- Stroomverbruik
- 1.0 MW
- Rekenkosten
- $183,423
1536 TPU v4 chips for 15 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
- 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.
- Basis model
- Yes
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement,Discretionary
- Record vertrouwen
- Confident
- Citaties
- 5,793
Figure 2 "For tasks lying anywhere on this spectrum, a single Flamingo model can achieve a new state of the art with few-shot learning, simply by prompting the model with task-specific examples. On numerous benchmarks, Flamingo outperforms models fine-tuned on thousands of times more task-specific data."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Flamingo: a Visual Language Model for Few-Shot Learning
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Flamingo werd gepubliceerd door DeepMind, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens April 2022. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Multimodal, Vision, Language, Video, en wordt geregistreerd als het uitvoeren van de taak van visual question answering, Image captioning.
In plaats van vanaf nul te worden getraind, is het afgeleid van Chinchilla. 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 2.2 × 10²³ 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 is getraind op een corpus van ongeveer 458,333,333,333 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement,Discretionary.
Antwoorden
Flamingo — veelgestelde vragen
Flamingo— wie heeft het gemaakt?
Het werd gepubliceerd door DeepMind, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als industry.
Flamingo— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Flamingo— waarvoor wordt het gebruikt?
Het werkt in het domein van Multimodal, Vision, Language, Video, en wordt geregistreerd als het afhandelen van visual question answering, Image captioning. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Flamingo— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.2 × 10²³ 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.
Flamingo— 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.
Flamingo— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Flamingo— hoeveel parameters heeft het?
Het heeft een parameter telling van 80B. "We obtain three models, Flamingo-3B, Flamingo-9B and Flamingo-80B" " The Flamingo-80B model builds on top of the frozen Chinchilla 70B language model [42]. Starting from the very first layer and before every seventh transformer blocks, we add a GATED XATTN-DENSE layer attending to the visual inputs; this accounts for 10B additional learned parameters. For simplicity, we refer to this model as simply Flamingo throughout the paper". 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.