Feedback Transformer
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
- LORIA,University of Lorraine,Facebook AI Research
- Organisatietype
- Academia,Academia,Industry
- Land
- France, United States of America
- Gepubliceerd
- 21 February 2020
- Auteurs
- Angela Fan, Thibaut Lavril, Edouard Grave, Armand Joulin, Sainbayar Sukhbaatar
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
- 126M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 267.23
- Batchgrootte
- 131,072
Table 3 shows 126M. There is another instance of the Feedback Transformer mentioned in Table 9 with 139M parameters.
"The models are trained for 200k steps and the finetuned for additional 10k steps." from Table 9 (describes 139M model) batch size 512 sequence length 256 256*512*210000 / 103000000 = 267 epochs "speculative" confidence since there is no clear description of the 126M model and numbers are assumed based on 139M model description
256*512
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
- 7.7 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware
6 FLOP / token / parameter * 126*10^6 parameters * 256 tokens per sequences * 512 sequences per batch * 210000 steps = 2.0808991e+19 FLOP assuming V100 GPU fp16: 31330000000000 FLOP/sec/GPU * 1 GPU * 84 hours * 3600 sec / hour * 0.3 [assumed utilization] = 2.8422576e+18 FLOP sqrt(2.0808991e+19*2.8422576e+18) = 7.690547e+18 FLOP ___________ in the Algorithmic progress paper they used estimation of 4.41e+19 FLOP also with low confidence
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 84 hours
" Our Feedback architecture takes 3.5 days to train" 3.5*24 = 84 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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 41
- Benchmarkgegevens
- Feedback Transformer
"As shown in Table 4, the Feedback Transformer model achieves a new SOTA performance (on Enwiki8) of 0.96 bit-per-byte despite its small size."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Addressing Some Limitations of Transformers with Feedback Memory
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
Feedback Transformer werd gepubliceerd door LORIA,University of Lorraine,Facebook AI Research, in het land geregistreerd als France, tijdens February 2020. De categorie waaronder de uitgever valt is academia,Academia,Industry.
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 7.7 × 10¹⁸ FLOP. 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
De inclusiecriteria: sOTA improvement.
Antwoorden
Feedback Transformer — veelgestelde vragen
Feedback Transformer— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. 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.
Feedback Transformer— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 7.7 × 10¹⁸ 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.
Feedback Transformer— 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.
Feedback Transformer— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Feedback Transformer— hoeveel parameters heeft het?
Het heeft een parameter telling van 126M. Table 3 shows 126M. There is another instance of the Feedback Transformer mentioned in Table 9 with 139M 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.
Feedback Transformer— wie heeft het gemaakt?
Het werd gepubliceerd door LORIA,University of Lorraine,Facebook AI Research, gebaseerd op France, een organisatie geclassificeerd als academia,Academia,Industry.
Feedback Transformer— wanneer is het uitgebracht?
Het werd gepubliceerd in February 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.