MetNet
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 24 March 2020
- Auteurs
- Casper Kaae Sønderby, Lasse Espeholt, Jonathan Heek, Mostafa Dehghani, Avital Oliver, Tim Salimans, Shreya Agrawal, Jason Hickey, Nal Kalchbrenner
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Earth science
- Taak
- Weather forecasting
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
- 225M
- Training gegevens
- 7,045,120,000 tokens
" In total this setting for MetNet has 225M parameters."
"we randomly extracted 13,717 test and validation samples and kept increasing the training set size until we observed no over-fitting at 1.72 million training samples"
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
- 9.5 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 7045120000 updates [see training dataset size notes, "Likely" confidence] * 225000000 parameters = 9.510912e+18 FLOP check: they report training in 256 TPUs (TPU v3 most likely) 9.510912e+18 FLOP / (123000000000000 FLOP / sec / chip * 256 TPUs * 3600 sec / hour * 0.3 [assumed utilization]) = 0.27 hours (seems to be an underestimation) -> 'Speculative' confidence
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
- 256
- Stroomverbruik
- 235.4 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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 345
"MetNet improves upon the current operational NWP system HRRR for up to 8 hours of lead time" ... "Numerical Weather Prediction is the most successful framework to perform medium- and longrange (up to 6 days with high confidence) forecast to date (Bauer et al., 2015)." "MetNet outperforms HRRR up to 400 to 480 minutes and outperforms a strong optical flow method and the persistence baseline throughout the 480 minute range."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- MetNet: A Neural Weather Model for Precipitation Forecasting
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
MetNet werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens March 2020. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Earth science, en wordt geregistreerd als het uitvoeren van de taak van weather forecasting.
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.
Hoe het getraind werd
De training run verbruikte ongeveer 9.5 × 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.
Het is getraind op een corpus van ongeveer 7,045,120,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
MetNet — veelgestelde vragen
MetNet— waarvoor wordt het gebruikt?
Het werkt in het domein van Earth science, en wordt geregistreerd als het afhandelen van weather forecasting. 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.
MetNet— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 9.5 × 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.
MetNet— 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.
MetNet— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
MetNet— hoeveel parameters heeft het?
Het heeft een parameter telling van 225M. " In total this setting for MetNet has 225M parameters.". 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.
MetNet— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
MetNet— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.