RQ-Transformer (LSUN-cat dataset)
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
- Kakao,POSTECH
- Organisatietype
- Industry,Academia
- Land
- Korea (Republic of)
- Gepubliceerd
- 3 March 2022
- Auteurs
- Doyup Lee, Chiheon Kim, Saehoon Kim, Minsu Cho, Wook-Shin Han
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
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
- 612M
- Training gegevens
- 106,065,024 tokens
- Epochs
- 200
612M from Table 5 - LSUN-cat row we provide details for LSUN-cat with largest compute
size of LSUN-cat
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
- 2.9 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to trainRQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. " we provide details for LSUN-cat with largest compute flops = (4) * (3.12e14) * (9*24 * 3600) * (0.3) = 2.9113344e+20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Gebruikte chips
- 4
- Chip-uren
- 864
- Kloktijd
- 216 hours (9 days)
- Stroomverbruik
- 3.2 kW
9 days for LSUN-cat "We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to trainRQ-Transformers of other sizes. The training time is <9 days for LSUN-cat, LSUN-bedroom, <4.5 days for ImageNet, and CC-3M, and <1 day for LSUN-church and FFHQ. "
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
- 763
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Autoregressive Image Generation using Residual Quantization
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
RQ-Transformer (LSUN-cat dataset) werd gepubliceerd door Kakao,POSTECH, in het land geregistreerd als Korea (Republic of), tijdens March 2022. De publicerende organisatie is geclassificeerd als industry,Academia.
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.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 2.9 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA A100. 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 106,065,024 tekstokens
Antwoorden
RQ-Transformer (LSUN-cat dataset) — veelgestelde vragen
RQ-Transformer (LSUN-cat dataset)— hoeveel parameters heeft het?
Het heeft een parameter telling van 612M. 612M from Table 5 - LSUN-cat row we provide details for LSUN-cat with largest compute. 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.
RQ-Transformer (LSUN-cat dataset)— wie heeft het gemaakt?
Het werd gepubliceerd door Kakao,POSTECH, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry,Academia.
RQ-Transformer (LSUN-cat dataset)— 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.
RQ-Transformer (LSUN-cat dataset)— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van text-to-image, Image generation. 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.
RQ-Transformer (LSUN-cat dataset)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.9 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA A100. 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.
RQ-Transformer (LSUN-cat dataset)— 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.
RQ-Transformer (LSUN-cat dataset)— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
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.