QT-Opt
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
- Google Brain,University of California (UC) Berkeley
- Organisatietype
- Industry,Academia
- Land
- United States of America
- Gepubliceerd
- 27 June 2018
- Auteurs
- Dmitry Kalashnikov, Alex Irpan, Peter Pastor, Julian Ibarz, Alexander Herzog, Eric Jang, Deirdre Quillen, Ethan Holly, Mrinal Kalakrishnan, Vincent Vanhoucke, Sergey Levine
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Robotics, Vision
- Taak
- Robotic manipulation
- Aanpak
- Reinforcement learning
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
- 1.2M
- Training gegevens
- 11,600,000 tokens
- Epochs
- 80
"The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters"
Observations take up 4TB of disk space, and the input space is a 472x472 RGB image. Assuming 24 bit depth color (8 bits per channel), that suggests 472 * 472 * 3 * 8 bits = 668.352 kB per image (this could be off by a factor of 2 depending on actual bit depth) 4 TB / 668.352 kB = 5,984,870 images; around 10 per grasp attempt. 15M gradient steps with batchsize 32 implies: 15M steps * 32 images/step * 1/5984870 images ~= each image seen 80 times
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
- 1.4 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 9.30E+12 FLOP/sec/GPU * 0.4 utilization * 10 GPU = 1.395E+19
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA P100
- Kloktijd
- 104 hours
- Rekenkosten
- $1,318
"We distribute training across 10 GPUs, using asynchronous SGD with momentum... This system allows us to train the Q-function at 40 steps per second with a batch size of 32 across 10 NVIDIA P100 GPUs." "We found empirically that a large number of gradient steps (up to 15M) were needed to train an effective Q-function..." 15M steps * 0.025 seconds/step * 1/3600 hours/second = 104.2 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
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
- 1,692
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- QT-Opt: Scalable Deep Reinforcement Learning for Vision-Based Robotic Manipulation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
QT-Opt werd gepubliceerd door Google Brain,University of California (UC) Berkeley, in het land geregistreerd als United States of America, tijdens June 2018. De publicerende organisatie is geclassificeerd als industry,Academia.
Het werkt in het domein van Robotics, Vision, 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
De training run verbruikte ongeveer 1.4 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 11,600,000 tekstokens
Antwoorden
QT-Opt — veelgestelde vragen
QT-Opt— hoeveel parameters heeft het?
Het heeft een parameter telling van 1.2M. "The Q-function Qθ(s, a) is represented in our system by a large convolutional neural network with 1.2M parameters". 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.
QT-Opt— wie heeft het gemaakt?
Het werd gepubliceerd door Google Brain,University of California (UC) Berkeley, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Academia.
QT-Opt— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
QT-Opt— waarvoor wordt het gebruikt?
Het werkt in het domein van Robotics, Vision, en wordt geregistreerd als het afhandelen van robotic manipulation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
QT-Opt— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.4 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA P100. 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.
QT-Opt— 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.
QT-Opt— 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.