TaLK Convolution
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
- Carleton University
- Organisatietype
- Academia
- Land
- Canada
- Gepubliceerd
- 8 February 2020
- Auteurs
- Vasileios Lioutas, Yuhong Guo
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling, Translation, Text summarization
- Numerieke indeling
- FP16
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
- 240M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 182
- Batchgrootte
- 65,536
Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4."
" We replicated their setup and partition the training data into blocks of 512 contiguous tokens" " same setup as in Baevski & Auli (2019)" https://arxiv.org/abs/1809.10853 in that paper they trained for 286k steps in batches of 65,536 tokens. 286000*65536 / 103000000= 182 epochs (same as in as in Baevski & Auli (2019))
same setup as in Baevski & Auli (2019)
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
- 2.7 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 240000000 parameters * 286000 steps * 65536 tokens per batch = 2.6990346e+19 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 GeForce RTX 2080 Ti 11GB
- Gebruikte chips
- 8
- Stroomverbruik
- 4.1 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
MIT, code and weights (though this repo is for translation not WT-103): https://github.com/lioutasb/TaLKConvolutions?tab=readme-ov-file
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
- 30
- Benchmarkgegevens
- TaLK Convolution
"[We] set a new state-of-the-art result on the IWSLT De-En and CNN-DailyMail datasets"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Time-aware Large Kernel Convolutions
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
TaLK Convolution werd gepubliceerd door Carleton University, in het land geregistreerd als Canada, tijdens February 2020. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling, Translation, 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
De training run verbruikte ongeveer 2.7 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 2080 Ti 11GB. 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 103,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
TaLK Convolution — veelgestelde vragen
TaLK Convolution— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.7 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA GeForce RTX 2080 Ti 11GB. 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.
TaLK Convolution— 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.
TaLK Convolution— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TaLK Convolution— hoeveel parameters heeft het?
Het heeft een parameter telling van 240M. Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4.". 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.
TaLK Convolution— wie heeft het gemaakt?
Het werd gepubliceerd door Carleton University, gebaseerd op Canada, een organisatie geclassificeerd als academia.
TaLK Convolution— 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.
TaLK Convolution— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling, Translation, Text summarization. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.