AFP+FPI (PTB)
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 Sheffield
- Organisatietype
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 4 June 2021
- Auteurs
- Zhengxiong Wang, Anton Ragni
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
- 2M
- Training gegevens
- 912,344 tokens
- Epochs
- 20
- RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore,…
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
- 2.2 × 10¹⁴ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 2,040,200 parameters * 912344 tokens * 20 epochs = 2.2336371e+14 FLOP
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
- Likely
- Citaties
- 4
- Benchmarkgegevens
- AFP+FPI (PTB)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Approximate Fixed-Points in Recurrent Neural Networks
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Achtergrond
AFP+FPI (PTB) werd gepubliceerd door University of Sheffield, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens June 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.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
De training run verbruikte ongeveer 2.2 × 10¹⁴ FLOP. 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 912,344 tekstokens
Antwoorden
AFP+FPI (PTB) — veelgestelde vragen
AFP+FPI (PTB)— hoeveel parameters heeft het?
Het heeft een parameter telling van 2M. - RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore, the total number of parameters with 200 hidden units and 10,000 vocab size is 2,040,200. _______ from the Algorithmic progress paper spreadsheet. 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.
AFP+FPI (PTB)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Sheffield, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia.
AFP+FPI (PTB)— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
AFP+FPI (PTB)— 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.
AFP+FPI (PTB)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.2 × 10¹⁴ 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.
AFP+FPI (PTB)— 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.
AFP+FPI (PTB)— 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.