Turing-NLG
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
- Microsoft
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 13 February 2020
- Auteurs
- Corby Rosset
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Text autocompletion, Language generation, Text summarization
- 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
- 17B
- Training gegevens
- 46,400,000,000 tokens
- Epochs
- 3.39
- Batchgrootte
- 524,288
Authors say they pretrain on the same data as for Megatron-LM. From the Megatron-LM paper: https://arxiv.org/pdf/1909.08053.pdf "The resulting aggregate corpus contains 174 GB of deduplicated text." 174GB * 2e8words/GB = 3.48e10 words 3.48e10 words (if english) *4/3 = 46400000000 tokens confidence - likely
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
- 1.6 × 10²² FLOP
- Hoe het werd opgericht
- Third-party estimation,Operation counting
source: https://lair.lighton.ai/akronomicon/ 157 PF-days * 3600 * 24 * 10^15 = 1.35648e+22 archived: https://github.com/lightonai/akronomicon/tree/main/akrodb 6ND=6*17000000000*46400000000=4.7328e+21 (confidence regarding dataset size - likely) Authors of "AI and Memory Wall" (https://github.com/amirgholami/ai_and_memory_wall) estimated model's training compute as 28,000,000 PFLOP = 2.8*10^22 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla V100 DGXS 32 GB
- Gebruikte chips
- 256
- Stroomverbruik
- 130.9 kW
- Rekenkosten
- $51,660
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
- Likely
- Citaties
- 114
- Benchmarkgegevens
- Turing-NLG
from paper: "Turing Natural Language Generation (T-NLG) is a 17 billion parameter language model by Microsoft that outperforms the state of the art on many downstream NLP tasks"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Turing-NLG: A 17-billion-parameter language model by Microsoft
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Turing-NLG werd gepubliceerd door Microsoft, in het land geregistreerd als United States of America, tijdens February 2020. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van text autocompletion, Language generation, Text summarization.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 1.6 × 10²² FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. 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 46,400,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
Turing-NLG — veelgestelde vragen
Turing-NLG— hoeveel parameters heeft het?
Het heeft een parameter telling van 17B. 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.
Turing-NLG— wie heeft het gemaakt?
Het werd gepubliceerd door Microsoft, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Turing-NLG— 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.
Turing-NLG— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van text autocompletion, Language generation, Text summarization. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Turing-NLG— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.6 × 10²² FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. 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.
Turing-NLG— 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.
Turing-NLG— 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.