KnGPT2
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
- Huawei Noah's Ark Lab,McGill University
- Organisatietype
- Industry,Academia
- Land
- China, Canada
- Gepubliceerd
- 15 October 2021
- Auteurs
- Ali Edalati, Marzieh Tahaei, Ahmad Rashid, Vahid Partovi Nia, James J. Clark, Mehdi Rezagholizadeh
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 (124M)
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
- 83M
- Training gegevens
- 853,333,333 tokens
- Epochs
- 1
"The KnGPT2 model is compressed from the GPT-2Small Radford et al. (2019) model. GPT-2Small is 124 million parameters. Our baseline is DistilGPT2 which has about 82 million parameters so our KnGPT2 model is compressed to the same size (83 million parameters) for a fair comparison"
"KnGPT2 is pre-trained on 10% of OpenWebText" 3.2 GB (Table 3) 3.2GB * 200*10^6 words per GB * 4/3 tokens per word = 853333333 tokens
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
- 7.9 × 10²⁰ FLOP
- Hoe het werd opgericht
- Operation counting
- Fijn-tuning compute
- 4.2 × 10¹⁷ FLOP
7.936e+20 FLOP [base model, "Speculative" confidence"] + 4.2496e+17 FLOP [fine-tune] = 7.9402496e+20 FLOP
6 FLOP / parameter / token * 83000000 parameters * 853333333 tokens = 4.2496e+17 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 7 hours
6.5 hours (Table 3)
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
- Speculative
- Citaties
- 42
- Benchmarkgegevens
- KnGPT2
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Kronecker Decomposition for GPT Compression
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
KnGPT2 werd gepubliceerd door Huawei Noah's Ark Lab,McGill University, in het land geregistreerd als China, tijdens October 2021. De publicerende organisatie is geclassificeerd als industry,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation.
Het startpunt was een bestaand basismodel, GPT-2 (124M). De meeste modellen op deze schaal zijn aangepast van een bestaande basis in plaats van vanuit het niets gebouwd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 7.9 × 10²⁰ 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 853,333,333 tekstokens
Antwoorden
KnGPT2 — veelgestelde vragen
KnGPT2— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.9 × 10²⁰ 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.
KnGPT2— 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.
KnGPT2— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
KnGPT2— hoeveel parameters heeft het?
Het heeft een parameter telling van 83M. "The KnGPT2 model is compressed from the GPT-2Small Radford et al. (2019) model. GPT-2Small is 124 million parameters. Our baseline is DistilGPT2 which has about 82 million parameters so our KnGPT2 model is compressed to the same size (83 million parameters) for a fair comparison". 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.
KnGPT2— wie heeft het gemaakt?
Het werd gepubliceerd door Huawei Noah's Ark Lab,McGill University, gebaseerd op China, een organisatie geclassificeerd als industry,Academia.
KnGPT2— 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.
KnGPT2— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/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.