SNM-skip
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
- Organisatietype
- Industry
- Land
- United States of America
- Gepubliceerd
- 3 December 2014
- Auteurs
- Noam Shazeer, Joris Pelemans, Ciprian Chelba
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
- 62B
- Training gegevens
- 800,000,000 tokens
62B from Table 2
1B from 'Our experimental setup used the One Billion Word Benchmark corpus' from section 4.1 - 'Total number of training tokens is about 0.8 billion'
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 × 10²⁰ FLOP
- Hoe het werd opgericht
- Operation counting
https://www.wolframalpha.com/input?i=0.8+billion+*+62+billion+*+6+FLOP
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.
- Grensmodel
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Speculative
- Citaties
- 14
'When using skip-gram features the models are able to match the state-of-the-art recurrent neural network (RNN) LMs; combining the two modeling techniques yields the best known result on the benchmark. ' - from abstract
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Skip-gram Language Modeling Using Sparse Non-negative Matrix Probability Estimation
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
SNM-skip werd gepubliceerd door Google, in het land geregistreerd als United States of America, tijdens December 2014. Het komt uit een organisatie gecategoriseerd als industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3 × 10²⁰ FLOP. 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 800,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
SNM-skip — veelgestelde vragen
SNM-skip— 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.
SNM-skip— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
SNM-skip— hoeveel parameters heeft het?
Het heeft een parameter telling van 62B. 62B from Table 2. 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.
SNM-skip— wie heeft het gemaakt?
Het werd gepubliceerd door Google, gebaseerd op United States of America, een organisatie geclassificeerd als industry.
SNM-skip— wanneer is het uitgebracht?
Het werd gepubliceerd in December 2014. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
SNM-skip— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
SNM-skip— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3 × 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.
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.