GPT-2 (fine-tuned with HYDRA)
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
- University of California San Diego
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 16 October 2021
- Auteurs
- Kabir Nagrecha, Arun Kumar
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation
- Basis model
- GPT-2 (1.5B)
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
- 1.5B
- Training gegevens
- tokens
- Epochs
- 1
They don't actually say which GPT-2 version they use, but it appears to be XL (1.5B params), since Table 1 shows zero-shot accuracy of 18.34 on WikiText-2, which is what the 1.5B version got.
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
- 1.9 × 10²¹ FLOP
- Hoe het werd opgericht
- Operation counting
- Fijn-tuning compute
- 1.8 × 10¹⁶ FLOP
They fine-tuned GPT-2 (1.5B) for one epoch on WikiText-2. GPT-2 itself used 1.92e21 FLOP, and here we see 6 * 2M * 1.54B = 1.848e16 fine-tuning FLOP (which has almost no impact on total FLOP).
They fine-tuned GPT-2 (1.5B) for one epoch on WikiText-2. GPT-2 itself used 1.92e21 FLOP, and here we see 6 * 2M * 1.54B = 1.848e16 fine-tuning FLOP (which has almost no impact on total FLOP).
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.
- Record vertrouwen
- Confident
- Citaties
- 6
- Benchmarkgegevens
- GPT-2 (fine-tuned with HYDRA)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Hydra: A System for Large Multi-Model Deep Learning
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
GPT-2 (fine-tuned with HYDRA) werd gepubliceerd door University of California San Diego, in het land geregistreerd als United States of America, tijdens October 2021. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation.
In plaats van vanaf nul te worden getraind, is het afgeleid van GPT-2 (1.5B). 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 1.9 × 10²¹ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
GPT-2 (fine-tuned with HYDRA) — veelgestelde vragen
GPT-2 (fine-tuned with HYDRA)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.9 × 10²¹ 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.
GPT-2 (fine-tuned with HYDRA)— 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.
GPT-2 (fine-tuned with HYDRA)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
GPT-2 (fine-tuned with HYDRA)— hoeveel parameters heeft het?
Het heeft een parameter telling van 1.5B. They don't actually say which GPT-2 version they use, but it appears to be XL (1.5B params), since Table 1 shows zero-shot accuracy of 18.34 on WikiText-2, which is what the 1.5B version got. 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.
GPT-2 (fine-tuned with HYDRA)— wie heeft het gemaakt?
Het werd gepubliceerd door University of California San Diego, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
GPT-2 (fine-tuned with HYDRA)— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GPT-2 (fine-tuned with HYDRA)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.