Dexterous In-Hand Manipulation [control policy]
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
- OpenAI
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 1 August 2018
- Auteurs
- Marcin Andrychowicz, Bowen Baker, Maciek Chociej, Rafal Jozefowicz, Bob McGrew, Jakub Pachocki, Arthur Petron, Matthias Plappert, Glenn Powell, Alex Ray, Jonas Schneider, Szymon Sidor, Josh Tobin, Peter Welinder, Lilian Weng, Wojciech Zaremba
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Robotics
- Taak
- Robotic manipulation
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
- 3.2M
- Training gegevens
- tokens
See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-…
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
- 2.2 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
In experiments, runs were typically conducted for 50 hours of wall time, with up to 32 GPUs. Table 10 specifies V100 GPUs for training the policy. Assume V100 base variant, BF16, 0.3 utilization V100 tensor FP16 performance = 1.25e14 FLOP/s 32 GPUs * (0.3 * 1.25e14 FLOP/s/GPU) * (3600 s/1 hr) * 50 hr = 2.16e+20 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
- 8
- Kloktijd
- 50 hours
- Stroomverbruik
- 5.0 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
- Confident
- Citaties
- 2,156
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning Dexterous In-Hand Manipulation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Dexterous In-Hand Manipulation [control policy] werd gepubliceerd door OpenAI, in het land geregistreerd als United States of America, tijdens August 2018. De categorie waaronder de uitgever valt is industry.
Het werkt in het domein van Robotics, en wordt geregistreerd als het uitvoeren van de taak van robotic manipulation.
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
Training kostte een rekensbudget van ongeveer 2.2 × 10²⁰ 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.
Antwoorden
Dexterous In-Hand Manipulation [control policy] — veelgestelde vragen
Dexterous In-Hand Manipulation [control policy]— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.2 × 10²⁰ 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.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Dexterous In-Hand Manipulation [control policy]— hoeveel parameters heeft het?
Het heeft een parameter telling van 3.2M. See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-RELU: 1024 out [Table 10, assume bias] - LSTM: 512 out [Table 10, assume bias] - FC (implied?): 20 out [Appendix C.1, Actions] parameters: - FC-RELU: 23552 [(22+1)*1024] - normalization: 0 [ignored] - LSTM: 3147776 [4*(1024+512+1)*512] - FC (Implied?): 10260 [(512+1)*20]. 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.
Dexterous In-Hand Manipulation [control policy]— wie heeft het gemaakt?
Het werd gepubliceerd door OpenAI, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— waarvoor wordt het gebruikt?
Het werkt in het domein van Robotics, en wordt geregistreerd als het afhandelen van robotic manipulation. 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.
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.