DreamLLM
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
- Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology
- Typ organizacji
- Academia,Industry,Academia,Academia
- Kraj
- China
- Opublikowany
- 20 September 2023
- Autorzy
- Runpei Dong, Chunrui Han, Yuang Peng, Zekun Qi, Zheng Ge, Jinrong Yang, Liang Zhao, Jianjian Sun, Hongyu Zhou, Haoran Wei, Xiangwen Kong, Xiangyu Zhang, Kaisheng Ma, Li Yi
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Multimodal, Language, Vision, Image generation
- Zadanie
- Language modeling/generation, Vision-language generation, Image generation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 7B
- Dane treningowe
- 70,369,280,000 tokens
- Epoki
- 1
7B
from Table 13: 30M pairs image and text, 4M interleaved image-text documents, and 120k instruction examples
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
- 7.5 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
Table 13: 128xA800 GPU for (6+10+1.5) hours flops = (128) * ( 312 * 10**12) * (17.5 * 3600) * (0.3) = 7.5e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate)
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A800 PCIe 40 GB
- Zastosowane chipy
- 128
- Czas-chip
- 2,240
- Czas rzeczywisty
- 18 hours
- Pobór mocy
- 63.6 kW
from Table 11: (6+10+1.5) hours
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 318
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DreamLLM: Synergistic Multimodal Comprehension and Creation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
DreamLLM został opublikowany przez Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, w kraju zapisanym jako China, podczas September 2023. Wychodzi z organizacji zaklasyfikowanej jako academia,Industry,Academia,Academia.
Działa w dziedzinie Multimodal, Language, Vision, Image generation, i jest zapisany jako wykonujący zadanie language modeling/generation, Vision-language generation, Image generation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 7.5 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A800 PCIe 40 GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 70,369,280,000 Tokeny tekstu.
Odpowiedzi
DreamLLM — częste pytania
DreamLLM— 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.
DreamLLM— ile ma parametrów?
Ma liczbę parametrów równą 7B. 7B. 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.
DreamLLM— kto to stworzył?
Zostało opublikowane przez Xi’an Jiaotong University,Megvii Inc,Tsinghua University,Huazhong University of Science and Technology, oparty na China, organizacja sklasyfikowana jako academia,Industry,Academia,Academia.
DreamLLM— kiedy to zostało wydane?
Zostało opublikowane w September 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DreamLLM— do czego to służy?
Działa w dziedzinie Multimodal, Language, Vision, Image generation, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Vision-language generation, Image generation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DreamLLM— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.5 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A800 PCIe 40 GB. 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.
DreamLLM— 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.