TOME
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 Southern California,Google
- Organisatietype
- Academia,Industry
- Land
- United States of America
- Gepubliceerd
- 12 October 2021
- Auteurs
- Michiel de Jong, Yury Zemlyanskiy, Nicholas FitzGerald, Fei Sha, William Cohen
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Question answering
- Numerieke indeling
- FP32
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
- 220M
- Training gegevens
- tokens
- Epochs
- 157.29
- Batchgrootte
- 524,288
220M from Table 1 entry for TOME
Per Wikipedia, the site had 3.755B words as of the most recent checkpoint prior to the paper's publication: https://en.wikipedia.org/wiki/Wikipedia:Size_of_Wikipedia#Yearly_statistics 3.755B * 4/3 = 5B tokens
"All models are pre-trained on [...] batch size of 4096. Each passage in the batch has length T = 128, excluding entity 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
- 1 × 10²¹ FLOP
- Hoe het werd opgericht
- Operation counting
We have information about hardware "All models are pre-trained on 128 TPUs using AdamW optimizer (Loshchilov& Hutter, 2019) with learning rate 1e-4 and batch size of 4096.", but no information about training time and exact model of TPUs. There is information about training 1.5M steps with batch size 4096 * 128 citation from appendix A: "The Mention Encoder and BATCH-TOME are pre-trained for 1 million steps with 50k warmup steps, and TOME is trained for 500k additional steps with 25k warmup step…
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 source
Apache 2.0 (repo license) https://github.com/google-research/language/tree/master/language/mentionmemory
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
- 55
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Mention Memory: incorporating textual knowledge into Transformers through entity mention attention
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
TOME werd gepubliceerd door University of Southern California,Google, in het land geregistreerd als United States of America, tijdens October 2021. De publicerende organisatie is geclassificeerd als academia,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van question answering.
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
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1 × 10²¹ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
TOME — veelgestelde vragen
TOME— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1 × 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.
TOME— 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.
TOME— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TOME— hoeveel parameters heeft het?
Het heeft een parameter telling van 220M. 220M from Table 1 entry for TOME. 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.
TOME— wie heeft het gemaakt?
Het werd gepubliceerd door University of Southern California,Google, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry.
TOME— 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.
TOME— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van question answering. 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.