DALL·E 2
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
- OpenAI
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 6 April 2022
- Auteurs
- Aditya Ramesh, Prafulla Dhariwal, Alex Nichol, Casey Chu, Mark Chen
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
- 3.5B
- Training gegevens
- 167,050,000,000 tokens
"Our decoder architecture is the 3.5 billion parameter GLIDE model"
"When training the encoder, we sample from the CLIP [39] and DALL-E [40] datasets (approximately 650M images in total) with equal probability"
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
- 3.4 × 10²³ FLOP
- Hoe het werd opgericht
- Third-party estimation
Decoder architecture is similar to Imagen (1.46E+22), but trained on 1.6e9 datapoints (Table 3) rather than Imagen's 5.1e9 datapoints. DALL-E 2 uses two models as priors. I estimate the prior model's FLOP as 6*N*D = 6 * 1e9 * 4096 * 1e6 = 2.5e19 FLOP. However, this seems low compared to CLIP. So it may be possible to estimate DALL-E 2's compute by analogy to Imagen, but there is a lot of uncertainty and more research would be needed. here (https://arxiv.org/pdf/2407.15811) they claim the DALL…
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
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- Highly cited,SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 8,200
Table 2
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Hierarchical Text-Conditional Image Generation with CLIP Latents
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Wat dit model is
DALL·E 2 werd gepubliceerd door OpenAI, in het land geregistreerd als United States of America, tijdens April 2022. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van text-to-image, Image generation.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.4 × 10²³ FLOP. 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 167,050,000,000 tekstokens
De inclusiecriteria: highly cited,SOTA improvement.
Antwoorden
DALL·E 2 — veelgestelde vragen
DALL·E 2— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.4 × 10²³ FLOP. 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.
DALL·E 2— 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.
DALL·E 2— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
DALL·E 2— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.5B. "Our decoder architecture is the 3.5 billion parameter GLIDE model". 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.
DALL·E 2— wie heeft het gemaakt?
Het werd gepubliceerd door OpenAI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
DALL·E 2— 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.
DALL·E 2— 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.
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.