RGC+ASQ (PTB)
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
- Tsinghua University,University of California Los Angeles (UCLA)
- Organisatietype
- Academia,Academia
- Land
- China, United States of America
- Gepubliceerd
- 13 August 2018
- Auteurs
- Jiarui Fang, Haohuan Fu, Guangwen Yang, Cho-Jui Hsieh
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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
- 53.5M
- Training gegevens
- tokens
- Epochs
- 40
Table 1: 204MB parameters. Assuming they used FP32: 204*1024*1024/4=53477376
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
- 1.2 × 10¹⁶ FLOP
6*53477376*929000*40=1.1923316e+16
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Titan V
- 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
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
- Likely
- Citaties
- 29
- Benchmarkgegevens
- RGC+ASQ (PTB)
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- RedSync : Reducing Synchronization Traffic for Distributed Deep Learning
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
RGC+ASQ (PTB) werd gepubliceerd door Tsinghua University,University of California Los Angeles (UCLA), in het land geregistreerd als China, tijdens August 2018. 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.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 1.2 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Titan V. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
RGC+ASQ (PTB) — veelgestelde vragen
RGC+ASQ (PTB)— hoeveel parameters heeft het?
Het heeft een parameter telling van 53.5M. Table 1: 204MB parameters. Assuming they used FP32: 204*1024*1024/4=53477376. 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.
RGC+ASQ (PTB)— wie heeft het gemaakt?
Het werd gepubliceerd door Tsinghua University,University of California Los Angeles (UCLA), gebaseerd op China, een organisatie geclassificeerd als academia,Academia.
RGC+ASQ (PTB)— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
RGC+ASQ (PTB)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
RGC+ASQ (PTB)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.2 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Titan V. 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.
RGC+ASQ (PTB)— 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.
RGC+ASQ (PTB)— 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.