InternLM
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Shanghai AI Lab,SenseTime
- Typ organizacji
- Academia,Industry
- Kraj
- China, Hong Kong
- Opublikowane
- 6 July 2023
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 104B
- Dane treningowe
- 1,600,000,000,000 tokens
"We present InternLM, a multilingual foundational language model with 104B parameters"
"InternLM is pre-trained on a large corpora with 1.6T tokens"
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 10 × 10²³ FLOP
- Jak to zostało ustalone
- Operation counting
6 * 104b * 1.6T = 9.984e23
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA A100 SXM4 80 GB
- Compute cost
- $1,505,257
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Unreleased
Though they released 7b and 20b models (https://github.com/InternLM/InternLM/tree/main/model_cards) 100b model is not found
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Foundation model
- Yes
- Prawdopodobnie powyżej 10²³ FLOP
- Yes
- Dlaczego jest śledzone
- SOTA improvement
- Zaufanie do nagrania
- Confident
(from Google-translated page) "In addition to using academic datasets to evaluate InternLM, we also use human examinations to assess its capabilities. InternLM can achieve good scores on examination benchmarks such as MMLU, AGIEval, C-Eval, and GAOKAO-bench that cover different languages and subjects, scoring higher than ChatGPT on multiple benchmarks"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Ostatnia aktualizacja
- 18 December 2025
Co oznaczają liczby
Czym jest ten model
InternLM was published by Shanghai AI Lab,SenseTime, in China, in July 2023. academia,Industry is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żadna karta graficzna tego nie zmieni.
Training and provenance
Training it took roughly 10 × 10²³ FLOP of computation, on NVIDIA A100 SXM4 80 GB — a measure of what producing the model cost, not of how fast it answers.
Around 1,600,000,000,000 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Odpowiedzi
InternLM — Często zadawane pytania
Who created InternLM?
InternLM was published by Shanghai AI Lab,SenseTime, based in China, categorised as academia,Industry.
When was InternLM released?
InternLM was published in July 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is InternLM used for?
InternLM works in Language, and is recorded as handling language modeling. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train InternLM?
Around 10 × 10²³ FLOP, on NVIDIA A100 SXM4 80 GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run InternLM?
None. InternLM is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is InternLM open source?
No. InternLM has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does InternLM have?
InternLM has 104B parameters. "We present InternLM, a multilingual foundational language model with 104B parameters". That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..