xGen-MM (BLIP-3)
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Salesforce Research,University of Washington
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America
- Opublikowany
- 16 August 2024
- Autorzy
- Le Xue, Manli Shu, Anas Awadalla, Jun Wang, An Yan, Senthil Purushwalkam, Honglu Zhou, Viraj Prabhu, Yutong Dai, Michael S Ryoo, Shrikant Kendre, Jieyu Zhang, Can Qin, Shu Zhang, Chia-Chih Chen, Ning Yu, Juntao Tan, Tulika Manoj Awalgaonkar, Shelby Heinecke, Huan Wang, Yejin Choi, Ludwig Schmidt, Zeyuan Chen, Silvio Savarese, Juan Carlos Niebles, Caiming Xiong, Ran Xu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Multimodal, Vision, Language
- Zadanie
- Image captioning, Character recognition (OCR), Visual question answering, Chat
- Model bazowy
- phi-3-mini 3.8B
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 4B
- Dane treningowe
- tokens
Table 1: shows the model is called xGen-MM-base (4B)
"About 100B multimodal tokens" for pretraining SFT phase: "Ultimately, we collect a mixture of 1 million publically available instruction-tuning samples, on which we fine-tune our model for one epoch." DPO phase: "We thus generate 62.6k preference examples" LoRA phase Safety Fine-tuning phase: "2k examples of unsafe images and instructions...5k additional examples from the instruction fine-tuning dataset" Total is about 100 billion.
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 2.4 × 10²¹ FLOP
Assuming 1 epoch and dense architecture (phi-3 mini is a dense model), compute = 6 * 4B * 100B = 2.4e+21 FLOP.
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 139
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- xGen-MM (BLIP-3): A Family of Open Large Multimodal Models
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Tło
xGen-MM (BLIP-3) został opublikowany przez Salesforce Research,University of Washington, w kraju zapisanym jako United States of America, podczas August 2024. Wychodzi z organizacji zaklasyfikowanej jako industry,Academia.
Działa w dziedzinie Multimodal, Vision, Language, i jest zapisany jako wykonujący zadanie image captioning, Character recognition (OCR), Visual question answering, Chat.
Jego punktem wyjścia był istniejący model podstawowy, phi-3-mini 3.8B. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.4 × 10²¹ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
xGen-MM (BLIP-3) — częste pytania
xGen-MM (BLIP-3)— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
xGen-MM (BLIP-3)— ile ma parametrów?
Ma liczbę parametrów równą 4B. Table 1: shows the model is called xGen-MM-base (4B). Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
xGen-MM (BLIP-3)— kto to stworzył?
Zostało opublikowane przez Salesforce Research,University of Washington, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
xGen-MM (BLIP-3)— kiedy to zostało wydane?
Zostało opublikowane w August 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
xGen-MM (BLIP-3)— do czego to służy?
Działa w dziedzinie Multimodal, Vision, Language, i jest zarejestrowany jako realizujący zadanie image captioning, Character recognition (OCR), Visual question answering, Chat. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
xGen-MM (BLIP-3)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.4 × 10²¹ FLOP. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
xGen-MM (BLIP-3)— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.