Verbatim Memory Transformer (108M)
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
- Johns Hopkins University,New York University (NYU)
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 24 October 2022
- Autorzy
- Kristijan Armeni, Christopher Honey, Tal Linzen
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 107.7M
- Dane treningowe
- 40,000,000 tokens
Table 3
40M tokens Table 3
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
- 9.9 × 10¹⁷ FLOP
RTX 8000 FP16 FLOPs: 32620000000000 Assumed utilization for single GPU: 0.7 Estimate: 12*60*60*32620000000000*0.7=9.864288e+17
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Quadro RTX 8000
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 12 hours
- Pobór mocy
- 286 W
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
CC BY 4.0 for code: https://github.com/KristijanArmeni/verbatim-memory-in-NLMs
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 9
- Dane benchmarkowe
- Characterizing Verbatim Short-Term Memory in Neural Language Models (108M)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Characterizing Verbatim Short-Term Memory in Neural Language Models
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
Verbatim Memory Transformer (108M) został opublikowany przez Johns Hopkins University,New York University (NYU), w kraju zapisanym jako United States of America, podczas October 2022. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 9.9 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 8000. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 40,000,000 Tokeny tekstu.
Odpowiedzi
Verbatim Memory Transformer (108M) — częste pytania
Verbatim Memory Transformer (108M)— ile ma parametrów?
Ma liczbę parametrów równą 107.7M. Table 3. 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.
Verbatim Memory Transformer (108M)— kto to stworzył?
Zostało opublikowane przez Johns Hopkins University,New York University (NYU), oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
Verbatim Memory Transformer (108M)— kiedy to zostało wydane?
Zostało opublikowane w October 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Verbatim Memory Transformer (108M)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Verbatim Memory Transformer (108M)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 9.9 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Quadro RTX 8000. 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.
Verbatim Memory Transformer (108M)— 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.
Verbatim Memory Transformer (108M)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
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.