Uni-Med
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,Beijing University of Posts and Telecommunications
- Organisatietype
- Academia,Academia
- Land
- China
- Gepubliceerd
- 1 November 2024
- Auteurs
- Xun Zhu, Ying Hu, Fanbin Mo, Miao Li, Ji Wu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Basis model
- Llama 2-7B,ViT-G/14
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
- 8.8B
- Training gegevens
- tokens
7B (LLama) + 1843000000 (ViT) = 8.8B
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 × 10²³ FLOP
- Fijn-tuning compute
- 5.6 × 10¹⁸ FLOP
Finetune: 10*60*60*312000000000000*0.5=5.616e+18 Base models: 8.4e+22, 5.85e+22 Total: 1.4250562e+23
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A800 SXM
- Gebruikte chips
- 1
- Kloktijd
- 10 hours
- Stroomverbruik
- 433 W
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
- Open (restricted use)
https://github.com/MSIIP/Uni-Med (undefined license) I haven't found released pre-trained weights
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
- Record vertrouwen
- Likely
- Citaties
- 23
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Uni-Med: A Unified Medical Generalist Foundation Model For Multi-Task Learning Via Connector-MoE
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Waar het vandaan kwam
Uni-Med werd gepubliceerd door Tsinghua University,Beijing University of Posts and Telecommunications, in het land geregistreerd als China, tijdens November 2024. De categorie waaronder de uitgever valt is academia,Academia.
Het startpunt was een bestaand basismodel, Llama 2-7B,ViT-G/14. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
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 1.4 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A800 SXM. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
Uni-Med — veelgestelde vragen
Uni-Med— hoeveel parameters heeft het?
Het heeft een parameter telling van 8.8B. 7B (LLama) + 1843000000 (ViT) = 8.8B. 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.
Uni-Med— wie heeft het gemaakt?
Het werd gepubliceerd door Tsinghua University,Beijing University of Posts and Telecommunications, gebaseerd op China, een organisatie geclassificeerd als academia,Academia.
Uni-Med— wanneer is het uitgebracht?
Het werd gepubliceerd in November 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Uni-Med— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.4 × 10²³ FLOP, op hardware vastgelegd als NVIDIA A800 SXM. 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.
Uni-Med— 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.
Uni-Med— 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.