RMSNorm (Transformer-base)
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 Edinburgh,University of Zurich
- Organisatietype
- Academia,Academia
- Land
- United Kingdom of Great Britain and Northern Ireland, Switzerland
- Gepubliceerd
- 16 October 2019
- Auteurs
- Biao Zhang, Rico Sennrich
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- 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
- 65M
- Training gegevens
- 7,500,000,000 tokens
Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf)
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
- 2.8 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware
6 FLOP/parameter/token * 65000000 parameters * 7500000000 tokens = 2.925e18 FLOP 125000000000000 FLOP/GPU/sec * 19.25 hours * 3600 sec / hour * 1 GPUs * 0.3 [assumed utilization] = 2.59875e18 FLOP sqrt(2.925e18 * 2.59875e18) = 2.7570535e+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
- NVIDIA V100
- Gebruikte chips
- 1
- Kloktijd
- 19 hours
- Stroomverbruik
- 338 W
Table 4: 231 seconds per 1k training steps 300k steps -> 300*231 seconds -> 19.25 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
- Open source
BSD-3 clause license https://github.com/bzhangGo/rmsnorm
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
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Root Mean Square Layer Normalization
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Wat dit model is
RMSNorm (Transformer-base) werd gepubliceerd door University of Edinburgh,University of Zurich, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens October 2019. De categorie waaronder de uitgever valt is academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van translation.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 2.8 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. 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 7,500,000,000 tekstokens
Antwoorden
RMSNorm (Transformer-base) — veelgestelde vragen
RMSNorm (Transformer-base)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
RMSNorm (Transformer-base)— hoeveel parameters heeft het?
Het heeft een parameter telling van 65M. Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf). 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.
RMSNorm (Transformer-base)— wie heeft het gemaakt?
Het werd gepubliceerd door University of Edinburgh,University of Zurich, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia,Academia.
RMSNorm (Transformer-base)— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RMSNorm (Transformer-base)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van translation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
RMSNorm (Transformer-base)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁸ FLOP, op hardware vastgelegd als NVIDIA V100. 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.
RMSNorm (Transformer-base)— 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.
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.