PermuteFormer
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
- Peking University
- Organisatietype
- Academia
- Land
- China
- Gepubliceerd
- 6 September 2021
- Auteurs
- Peng Chen
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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
- 149.7M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 30
Parameterization appears to be similar to a vanilla transformer. 6 layers, hidden dimension of 512, feed forward dimension of 1024, 8 attention heads. This would imply 20,447,232 parameters without embedding weights, and 512*vocab_size embedding weights (assuming tied embedding and unembedding projections) They appear to use word-level tokenization: "We evaluate unidirectional PermuteFormer on WikiText-103 (Merity et al., 2017). It is a language modeling dataset with about 103 million tokens," …
WikiText-103 is about 103M 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
- 2.8 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 * (30 * 103M) * 149,697,024 = 2.775e18 This seems a bit small relative to their statement: "It takes about 10 days on 8 V100 GPUs to get all the figures in this paper" which suggests about 2.7e20 FLOPs at 30% MFU. Table 2 indicates that Performer and PermuteFormer take 0.23x to 0.58x as long to train as a Transformer model. Figure 2 appears to be the most compute intensive figure, and would take about 4 * (2.775e18) + 1 * (2.775e18 / 0.365) = 1.9e19 FLOPs.
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Gebruikte chips
- 8
- Stroomverbruik
- 4.8 kW
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
no specific license. training code: https://github.com/cpcp1998/PermuteFormer/tree/master/language_model
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 23
- Benchmarkgegevens
- PermuteFormer
"Results show that PermuteFormer uniformly improves the performance of Performer, accelerates convergence, and achieves state-of-the-art on some tasks." "We conduct extensive experiments to evaluate PermuteFormer. It achieves strong empirical performance and obtains state-of-the-art on Long-Range Arena, a benchmark for efficient Transformers. It also improves the performance of Performer on language modeling tasks like WikiText-103"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- PermuteFormer: Efficient Relative Position Encoding for Long Sequences
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
PermuteFormer werd gepubliceerd door Peking University, in het land geregistreerd als China, tijdens September 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.
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.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 2.8 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. 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 103,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
PermuteFormer — veelgestelde vragen
PermuteFormer— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. 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.
PermuteFormer— 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.
PermuteFormer— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
PermuteFormer— hoeveel parameters heeft het?
Het heeft een parameter telling van 149.7M. Parameterization appears to be similar to a vanilla transformer. 6 layers, hidden dimension of 512, feed forward dimension of 1024, 8 attention heads. This would imply 20,447,232 parameters without embedding weights, and 512*vocab_size embedding weights (assuming tied embedding and unembedding projections) They appear to use word-level tokenization: "We evaluate unidirectional PermuteFormer on WikiText-103 (Merity et al., 2017). It is a language modeling dataset with about 103 million tokens," and I confirmed that word-level tokenization results in about 102M words across train-test-validation. If this is the case, there are 267,735 unique words, so the embedding layer alone would be 137,080,320 parameters, for a total of 149,697,024. 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.
PermuteFormer— wie heeft het gemaakt?
Het werd gepubliceerd door Peking University, gebaseerd op China, een organisatie geclassificeerd als academia.
PermuteFormer— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
PermuteFormer— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. 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.