Transformer-XL Large + Phrase Induction
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
- Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC)
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 4 June 2019
- Auteurs
- Hongyin Luo, Lan Jiang, Yonatan Belinkov, James Glass
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation
- Basis model
- Transformer-XL (257M)
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
- 257M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 1
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
- 3.8 × 10²⁰ FLOP
- Hoe het werd opgericht
- Operation counting
- Fijn-tuning compute
- 1.6 × 10¹⁷ FLOP
Fine-tuned from pre-trained Transformer-XL Large (upd 3.7832771e+20 FLOP, old estimation 1.09e19 FLOP). Total: 3.7832771e20 + 1.588e17 = 3.7848651e+20 FLOP (Speculative confidence same as Transformer XL)
Additional 1.6e17 FLOP of fine-tuning from one epoch on WikiText-103: 6 * 257M * 103M = 1.588e17 FLOP.
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
code license, BSD-3: https://github.com/luohongyin/PILM?tab=BSD-3-Clause-1-ov-file#readme training: https://github.com/luohongyin/PILM/blob/master/train_span_wt103.sh
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
- 14
- Benchmarkgegevens
- Transformer-XL Large + Phrase Induction
"We achieved a new state-of-the-art performance of 17.4 perplexity on the Wikitext-103 dataset"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improving Neural Language Models by Segmenting, Attending, and Predicting the Future
- Laatst bijgewerkt
- 1 December 2025
Wat de cijfers betekenen
Wat dit model is
Transformer-XL Large + Phrase Induction werd gepubliceerd door Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), in het land geregistreerd als United States of America, tijdens June 2019. De publicerende organisatie is geclassificeerd als academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation.
Het bouwt voort op Transformer-XL (257M). Dat is waarom het de algemene vorm en grootte van het basismodell deelt.
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.
Training en herkomst
De training run verbruikte ongeveer 3.8 × 10²⁰ FLOP. 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 103,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
Transformer-XL Large + Phrase Induction — veelgestelde vragen
Transformer-XL Large + Phrase Induction— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Transformer-XL Large + Phrase Induction— hoeveel parameters heeft het?
Het heeft een parameter telling van 257M. 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.
Transformer-XL Large + Phrase Induction— wie heeft het gemaakt?
Het werd gepubliceerd door Massachusetts Institute of Technology (MIT),University of Illinois Urbana-Champaign (UIUC), gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
Transformer-XL Large + Phrase Induction— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Transformer-XL Large + Phrase Induction— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Transformer-XL Large + Phrase Induction— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.8 × 10²⁰ 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.
Transformer-XL Large + Phrase Induction— 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.