RQ-Transformer (3.8B params ImageNet 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
- Vision, Image generation
- Taak
- Text-to-image
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
- 3.8B
- Training gegevens
- 327,680,000 tokens
- Epochs
- 50
3822M from Table 5 - ImageNet rows
size of ImageNet
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 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
"We use eight NVIDIA A100 GPUs to train RQ-Transformer of 1.4B parameters, and four GPUs to train RQ-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. " Taken literally, suggests 3.8B model used fewer GPUs than 1.4B. This seems likely to be a typo, so I assume details are meant to be given for largest model (3.8B). (8) * (3.12e14) * (4.5 * 24 * 3600) * (0.3) = 2.911e20 (num gpu) * (peak …
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
- 432
- Kloktijd
- 108 hours
- Stroomverbruik
- 3.2 kW
States 4.5 days for ImageNet for 1.4B model, but this is probably a typo. I expect these details were given for the largest model. "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
Wat dit model is
RQ-Transformer (3.8B params ImageNet dataset) werd gepubliceerd door Kakao,POSTECH, in het land geregistreerd als Korea (Republic of), tijdens March 2022. De categorie waaronder de uitgever valt is industry,Academia.
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het uitvoeren van de taak van text-to-image.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 2.9 × 10²⁰ 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.
De trainingsset liep naar ongeveer 327,680,000 tekstokens
Antwoorden
RQ-Transformer (3.8B params ImageNet dataset) — veelgestelde vragen
RQ-Transformer (3.8B params ImageNet 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 (3.8B params ImageNet dataset)— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Image generation, en wordt geregistreerd als het afhandelen van text-to-image. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
RQ-Transformer (3.8B params ImageNet dataset)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.9 × 10²⁰ 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 (3.8B params ImageNet 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 (3.8B params ImageNet 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.
RQ-Transformer (3.8B params ImageNet dataset)— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.8B. 3822M from Table 5 - ImageNet rows. 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 (3.8B params ImageNet dataset)— wie heeft het gemaakt?
Het werd gepubliceerd door Kakao,POSTECH, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als industry,Academia.
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.