FAIRSEQ Adaptive Inputs
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
- Facebook AI Research,Google Brain
- Organisatietype
- Industry,Industry
- Land
- United States of America, France
- Gepubliceerd
- 1 April 2019
- Auteurs
- Myle Ott, Sergey Edunov, Alexei Baevski, Angela Fan, Sam Gross, Nathan Ng, David Grangier, Michael Auli
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling/generation
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
- 247M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 180
"The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer
assuming same number of epochs as in Baevski and Auli (2019) Transformer - 180
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
- 3.2 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Operation counting,Hardware
6 FLOP / parameter / token * 247000000 parameters * 103000000 tokens * 180 epochs = 2.747628e+19 FLOP for translation model, Table 2: 31330000000000 FLOP / second / GPU * 128 GPUs * 8.5 hours * 3600 seconds / hour * 0.3 [assumed precision] = 3.6814003e+19 FLOP sqrt(2.747628e+19*3.6814003e+19) = 3.1804274e+19 FLOP Speculative confidence since amount of parameters and epochs are assumed as well as hardware estimation is given for another model in the paper __________ In the Algorithmic progr…
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
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
weights and training, Repo is MIT-licensed https://github.com/facebookresearch/fairseq/blob/main/examples/language_model/README.adaptive_inputs.md
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
- Speculative
- Citaties
- 3,381
- Benchmarkgegevens
- FAIRSEQ Adaptive Inputs
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- fairseq: A Fast, Extensible Toolkit for Sequence Modeling
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
FAIRSEQ Adaptive Inputs werd gepubliceerd door Facebook AI Research,Google Brain, in het land geregistreerd als United States of America, tijdens April 2019. De publicerende organisatie is geclassificeerd als industry,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling/generation.
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 3.2 × 10¹⁹ 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 103,000,000 tekstokens
Antwoorden
FAIRSEQ Adaptive Inputs — veelgestelde vragen
FAIRSEQ Adaptive Inputs— wie heeft het gemaakt?
Het werd gepubliceerd door Facebook AI Research,Google Brain, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
FAIRSEQ Adaptive Inputs— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
FAIRSEQ Adaptive Inputs— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling/generation. 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.
FAIRSEQ Adaptive Inputs— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.2 × 10¹⁹ 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.
FAIRSEQ Adaptive Inputs— 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.
FAIRSEQ Adaptive Inputs— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
FAIRSEQ Adaptive Inputs— hoeveel parameters heeft het?
Het heeft een parameter telling van 247M. "The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer. 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.
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.