MemSizer (language modeling)
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
- Meta AI,Chinese University of Hong Kong (CUHK)
- Organisatietype
- Industry,Academia
- Land
- United States of America, Hong Kong
- Gepubliceerd
- 23 March 2022
- Auteurs
- Yizhe Zhang, Deng Cai
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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
- 357M
- Training gegevens
- 103,000,000 tokens
357M Table 3 "Following Kasai et al. (2021), we choose similar hyperparameters to prior work (Baevski and Auli, 2019; Fan et al., 2020): 32 layers, 8 heads, 128 head dimensions, 1024 model dimensions, 4096 fully connected dimensions and dropout (Srivastava et al., 2014) and layer dropout rates of 0.2. "
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
- 7.3 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 357000000 parameters * 103000000 tokens * 1 epoch [assumed for lower bound] = 2.20626e+17 FLOP also to consider: 7.3 × 10^18 FLOP SOURCE: Impute based on Baevski and Auli 2019 "We generally follow the optimization method from Baevski and Auli (2019), with a slight modification for some hyperparameters including learning rate (we use 10−4), which shows better convergence. " NOTES: Probably correct within an order of 2 or so
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 (non-commercial)
code, no license: https://github.com/jcyk/memsizer wt103 train: https://github.com/jcyk/memsizer/blob/main/lm_wikitext-103.sh
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
- Likely
- Citaties
- 6
- Benchmarkgegevens
- MemSizer
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Linearizing Transformer with Key-Value Memory
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
MemSizer (language modeling) werd gepubliceerd door Meta AI,Chinese University of Hong Kong (CUHK), in het land geregistreerd als United States of America, tijdens March 2022. Het komt uit een organisatie gecategoriseerd als industry,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
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.
Wat erin ging zitten om het te bouwen
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 7.3 × 10¹⁸ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 103,000,000 tekstokens
Antwoorden
MemSizer (language modeling) — veelgestelde vragen
MemSizer (language modeling)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
MemSizer (language modeling)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.3 × 10¹⁸ 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.
MemSizer (language modeling)— 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.
MemSizer (language modeling)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
MemSizer (language modeling)— hoeveel parameters heeft het?
Het heeft een parameter telling van 357M. 357M Table 3 "Following Kasai et al. (2021), we choose similar hyperparameters to prior work (Baevski and Auli, 2019; Fan et al., 2020): 32 layers, 8 heads, 128 head dimensions, 1024 model dimensions, 4096 fully connected dimensions and dropout (Srivastava et al., 2014) and layer dropout rates of 0.2. ". 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.
MemSizer (language modeling)— wie heeft het gemaakt?
Het werd gepubliceerd door Meta AI,Chinese University of Hong Kong (CUHK), gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
MemSizer (language modeling)— wanneer is het uitgebracht?
Het werd gepubliceerd in March 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.