$\infty$-former (SM)
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
- Universidade de Lisboa (ULisboa),DeepMind
- Organisatietype
- Academia,Industry
- Land
- Portugal, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 1 September 2021
- Auteurs
- Pedro Henrique Martins, Zita Marinho, André F. T. Martins
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
- 124M
- Training gegevens
- 200,000,000 tokens
- Epochs
- 1
assuming same as the base model GPT-2 small
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
- 1.2 × 10²² FLOP
- Hoe het werd opgericht
- Operation counting
- Fijn-tuning compute
- 1.5 × 10¹⁷ FLOP
7.936 × 10^20 FLOP [base model compute estimation, "Speculative" confidence] + 1.488e+17 FLOP [fine-tune compute] = 7.937488e+20 FLOP
"To understand if long-term memories can be used to extend a pre-trained language model, we fine-tune GPT-2 small (Radford et al., 2019) on Wikitext103 (Merity et al., 2017) and a subset of PG-19 (Rae et al., 2019) containing the first 2,000 books (≈ 200 million tokens) of the training set" 6 FLOP / token / parameter * 124000000 parameters * 200000000 tokens * 1 epoch = 1.488e+17 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce RTX 2080 Ti 11GB
- Gebruikte chips
- 1
- Stroomverbruik
- 277 W
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 (non-commercial)
fine-tune code (this is a GPT-2 finetune), no clear license: https://github.com/deep-spin/infinite-former
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
- 31
- Benchmarkgegevens
- $\infty$-former (SM)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- $\infty$-former: Infinite Memory Transformer
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Achtergrond
$\infty$-former (SM) werd gepubliceerd door Universidade de Lisboa (ULisboa),DeepMind, in het land geregistreerd als Portugal, tijdens September 2021. De categorie waaronder de uitgever valt is academia,Industry.
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). Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
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
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.2 × 10²² FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 2080 Ti 11GB. 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 200,000,000 tekstokens
Antwoorden
$\infty$-former (SM) — veelgestelde vragen
$\infty$-former (SM)— hoeveel parameters heeft het?
Het heeft een parameter telling van 124M. assuming same as the base model GPT-2 small. 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.
$\infty$-former (SM)— wie heeft het gemaakt?
Het werd gepubliceerd door Universidade de Lisboa (ULisboa),DeepMind, gebaseerd op Portugal, een organisatie geclassificeerd als academia,Industry.
$\infty$-former (SM)— 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.
$\infty$-former (SM)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
$\infty$-former (SM)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10²² FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 2080 Ti 11GB. 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.
$\infty$-former (SM)— 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.
$\infty$-former (SM)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
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.