GOAT
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
- DeepMind
- Organisatietype
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 27 July 2021
- Auteurs
- Open-Ended Learning Team*, Adam Stooke, Anuj Mahajan, Catarina Barros, Charlie Deck, Jakob Bauer, Jakub Sygnowski, Maja Trebacz, Max Jaderberg, Michael Mathieu, Nat McAleese, Nathalie Bradley-Schmieg, Nathaniel Wong, Nicolas Porcel, Roberta Raileanu, Steph Hughes-Fitt, Valentin Dalibard and Wojciech Marian Czarnecki
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Games
- Taak
- Open ended play
- Aanpak
- Self-supervised learning
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
- 3.5M
- Training gegevens
- 798,720,000,000,000 tokens
- Batchgrootte
- 64
estimate described here: https://docs.google.com/document/d/1S9xZyCeITDOs-P1W_-liNW0WgVN-OLsSudVrPXMaLqw/edit?usp=sharing
Figure 16 shows steps per generation and agent. In total there are 1.5e10 + 4.0e10 + 2.5e10 + 1.1e11 + 2e11 = 3.9e11 steps per agent.
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
- 2.4 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
[Final calculation] (8 TPUs) * (1.23e14 FLOP/TPU-s) * (0.1 utilization) / (50k steps/s) = 1.968e9 FLOP/step (32 agents) * (383B steps/agent) * (1.968e9 FLOP/step) = 2.412e22 FLOPs ========================== NOTES BELOW 6.1: Each agent is trained using 8 TPUv3s and consumes approximately 50,000 agent steps (observations) per second. Multiple agents interacting probably mean a fairly low utilization rate, so let’s assume 0.10 8 * 1.23e14 * 0.1 / 50k = 1.968e9 FLOPs per step The paper doesn’t s…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v3
- Rekenkosten
- $84,800
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.
- Basis model
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 228
likely qualitatively SOTA I do not see any standard benchmarks that they are claiming SOTA on
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Open-Ended Learning Leads to Generally Capable Agents
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
GOAT werd gepubliceerd door DeepMind, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens July 2021. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Games, en wordt geregistreerd als het uitvoeren van de taak van open ended play.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Wat erin ging zitten om het te bouwen
De training run verbruikte ongeveer 2.4 × 10²² FLOP, op hardware vastgelegd als Google TPU v3. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 798,720,000,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
GOAT — veelgestelde vragen
GOAT— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
GOAT— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.5M. estimate described here: https://docs.google.com/document/d/1S9xZyCeITDOs-P1W_-liNW0WgVN-OLsSudVrPXMaLqw/edit?usp=sharing. 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.
GOAT— wie heeft het gemaakt?
Het werd gepubliceerd door DeepMind, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als industry.
GOAT— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GOAT— waarvoor wordt het gebruikt?
Het werkt in het domein van Games, en wordt geregistreerd als het afhandelen van open ended play. 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.
GOAT— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.4 × 10²² FLOP, op hardware vastgelegd als Google TPU v3. 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.
GOAT— 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.
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.