RFA-GATE-Gaussian-Stateful Big
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 Washington,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong
- Organisatietype
- Academia,Industry,Research collective,Academia,Academia
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland, Israel, Hong Kong
- Gepubliceerd
- 3 March 2021
- Auteurs
- Hao Peng, Nikolaos Pappas, Dani Yogatama, Roy Schwartz, Noah A. Smith, Lingpeng Kong
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation, Translation
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
- 242M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 47.72
- Batchgrootte
- 32,768
242m
"All models are trained for up to 150K gradient steps " batch size 64 "All models use a 512 block size during both training and evaluation, i.e., they read as input a segment of 512 consecutive tokens, without access to the context from previous mini-batches." 512*64*150000/103000000 = 47.72
512*64
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
- 7.1 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 242000000 parameters * 512 tokens per sample * 64 samples per batch * 150000 steps = 7.1368704e+18 FLOP
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
- Gebruikte chips
- 16
- Kloktijd
- 3 hours
- Stroomverbruik
- 14.6 kW
7.1368704e+18 FLOP [estimated compute] / (123000000000000 FLOP / s * 16 GPUs * 3600 sec / hour * 0.3 [assumed precision]) = 3.36 hours
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
- Confident
- Citaties
- 430
- Benchmarkgegevens
- RFA-GATE-Gaussian-Stateful Big
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Random Feature Attention
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
RFA-GATE-Gaussian-Stateful Big werd gepubliceerd door University of Washington,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong, in het land geregistreerd als United States of America, tijdens March 2021. De categorie waaronder de uitgever valt is academia,Industry,Research collective,Academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation, Translation.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 7.1 × 10¹⁸ 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 103,000,000 tekstokens
Antwoorden
RFA-GATE-Gaussian-Stateful Big — veelgestelde vragen
RFA-GATE-Gaussian-Stateful Big— wie heeft het gemaakt?
Het werd gepubliceerd door University of Washington,DeepMind,Allen Institute for AI,Hebrew University of Jerusalem,The University of Hong Kong, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry,Research collective,Academia,Academia.
RFA-GATE-Gaussian-Stateful Big— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2021. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RFA-GATE-Gaussian-Stateful Big— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation, Translation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
RFA-GATE-Gaussian-Stateful Big— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.1 × 10¹⁸ 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.
RFA-GATE-Gaussian-Stateful Big— 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.
RFA-GATE-Gaussian-Stateful Big— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
RFA-GATE-Gaussian-Stateful Big— hoeveel parameters heeft het?
Het heeft een parameter telling van 242M. 242m. 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.
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.