Seed1.5-VL
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
- ByteDance
- Organisatietype
- Industry
- Land
- China
- Gepubliceerd
- 11 May 2025
- Auteurs
- Dong Guo, Faming Wu, Feida Zhu, Fuxing Leng, Guang Shi, Haobin Chen, Haoqi Fan, Jian Wang, Jianyu Jiang, Jiawei Wang, Jingji Chen, Jingjia Huang, Kang Lei, Liping Yuan, Lishu Luo, Pengfei Liu, Qinghao Ye, Rui Qian, Shen Yan, Shixiong Zhao, Shuai Peng, Shuangye Li, Sihang Yuan, Sijin Wu, Tianheng Cheng, Weiwei Liu, Wenqian Wang, Xianhan Zeng, Xiao Liu, Xiaobo Qin, Xiaohan Ding, Xiaojun Xiao, Xiaoyi…
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision, Language, Multimodal, Video
- Taak
- Visual question answering, Video description, Language modeling/generation, Question answering, Character recognition (OCR)
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.
- Training gegevens
- 3,000,000,000,000 tokens
"more than 3T multimodal data tokens"
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 × 10²⁴ FLOP
- Hoe het werd opgericht
- Hardware
989000000000000 FLOP / GPU / sec [H800, bf16 assumed] * 1300000 GPU-hours [see training time notes] * 3600 sec / hour * 0.3 [assumed utilization] = 1.388556e+24 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 H800 SXM5
- Chip-uren
- 1,300,000
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
- API access
- Training code
- Unreleased
API (log in and select Doubao-1.5-thinking-vision-pro to experience): https://www.volcengine.com/experience/ark?model=doubao-1-5-thinking-vision-pro-250428 GitHub sample code (Apache 2.0): https://github.com/ByteDance-Seed/Seed1.5-VL
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.
- Waarschijnlijk boven de 10²³ FLOP
- Yes
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
Table 6
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Seed1.5-VL Technical Report
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Seed1.5-VL werd gepubliceerd door ByteDance, in het land geregistreerd als China, tijdens May 2025. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Vision, Language, Multimodal, Video, en wordt geregistreerd als het uitvoeren van de taak van visual question answering, Video description, Language modeling/generation, Question answering, Character recognition (OCR).
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
De training run verbruikte ongeveer 1.4 × 10²⁴ FLOP, op hardware vastgelegd als NVIDIA H800 SXM5. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 3,000,000,000,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
Seed1.5-VL — veelgestelde vragen
Seed1.5-VL— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.4 × 10²⁴ FLOP, op hardware vastgelegd als NVIDIA H800 SXM5. 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.
Seed1.5-VL— 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.
Seed1.5-VL— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
Seed1.5-VL— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Seed1.5-VL— wie heeft het gemaakt?
Het werd gepubliceerd door ByteDance, gebaseerd op China, een organisatie geclassificeerd als industry.
Seed1.5-VL— wanneer is het uitgebracht?
Het werd gepubliceerd in May 2025.
Seed1.5-VL— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, Language, Multimodal, Video, en wordt geregistreerd als het afhandelen van visual question answering, Video description, Language modeling/generation, Question answering, Character recognition (OCR). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.