DreamerV3
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
- DeepMind,University of Toronto
- Typ organizacji
- Industry,Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland, Canada
- Opublikowany
- 10 January 2023
- Autorzy
- Danijar Hafner, Jurgis Pasukonis, Jimmy Ba, Timothy Lillicrap
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Games
- Zadanie
- Open ended play
- Format numeryczny
- BF16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 200M
- Dane treningowe
- 1,600,000,000 tokens
Table B1
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
- 2.2 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
16 environment instances, each with 1 V100 running for 17 days (table A1) - it's not entirely clear if the GPU days already account for multiple environment instances. Assuming no: Compute: 17*24*60*60*125000000000000*0.3=5.508e+19 Assuming yes: Compute: 17*24*60*60*16*125000000000000*0.3=8.8128e+20 Geometric mean: 220320000000000000000
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
- Zastosowane chipy
- 16
- Czas rzeczywisty
- 6,528 hours (272 days)
- Pobór mocy
- 9.6 kW
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
Apache 2.0 https://github.com/danijar/dreamerv3
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Likely
- Cytaty
- 1,073
Using the same hyperparameters across all domains, DreamerV3 outperforms specialized model-free and model-based algorithms in a wide range of benchmarks and data-efficiency regimes. Applied out of the box, DreamerV3 also learns to obtain diamonds in the popular video game Minecraft from scratch given sparse rewards, a long-standing challenge in artificial intelligence for which previous approaches required human data or domain-specific heuristics.
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Mastering Diverse Domains through World Models
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
DreamerV3 został opublikowany przez DeepMind,University of Toronto, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas January 2023. Kategoria, do której należy wydawca, to industry,Academia.
Działa w dziedzinie Games, i jest zapisany jako wykonujący zadanie open ended play.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Wytworzenie tego wymagało arytmetyki sumującej około 2.2 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 1,600,000,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: sOTA improvement.
Odpowiedzi
DreamerV3 — częste pytania
DreamerV3— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
DreamerV3— ile ma parametrów?
Ma liczbę parametrów równą 200M. Table B1. 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.
DreamerV3— kto to stworzył?
Zostało opublikowane przez DeepMind,University of Toronto, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako industry,Academia.
DreamerV3— kiedy to zostało wydane?
Zostało opublikowane w January 2023. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DreamerV3— do czego to służy?
Działa w dziedzinie Games, i jest zarejestrowany jako realizujący zadanie open ended play. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DreamerV3— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.2 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. 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.
DreamerV3— 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.