FMMformer (2-kernel fast weight + Band20)
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 Los Angeles (UCLA),University of Utah
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 5 August 2021
- Auteurs
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling, Text classification
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
- 40M
- Training gegevens
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 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 3090 Ti
- Gebruikte chips
- 4
- Stroomverbruik
- 3.6 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
- 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
- 38
- Benchmarkgegevens
- FMMformer (2-kernel fast weight + Band20)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
FMMformer (2-kernel fast weight + Band20) werd gepubliceerd door University of California Los Angeles (UCLA),University of Utah, in het land geregistreerd als United States of America, tijdens August 2021. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling, Text classification.
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
Training kostte een rekensbudget van ongeveer 2.5 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 3090 Ti. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
FMMformer (2-kernel fast weight + Band20) — veelgestelde vragen
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
FMMformer (2-kernel fast weight + Band20)— hoeveel parameters heeft het?
Het heeft een parameter telling van 40M. 40M (caption to Table 2). 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.
FMMformer (2-kernel fast weight + Band20)— wie heeft het gemaakt?
Het werd gepubliceerd door University of California Los Angeles (UCLA),University of Utah, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
FMMformer (2-kernel fast weight + Band20)— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
FMMformer (2-kernel fast weight + Band20)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling, Text classification. 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.
FMMformer (2-kernel fast weight + Band20)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.5 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 3090 Ti. 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.
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.