PaLM-SayCan
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
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 16 August 2022
- Autorzy
- Michael Ahn, Anthony Brohan, Noah Brown, Yevgen Chebotar, Omar Cortes, Byron David, Chelsea Finn, Chuyuan Fu, Keerthana Gopalakrishnan, Karol Hausman, Alex Herzog, Daniel Ho, Jasmine Hsu, Julian Ibarz, Brian Ichter, Alex Irpan, Eric Jang, Rosario Jauregui Ruano, Kyle Jeffrey, Sally Jesmonth, Nikhil J Joshi, Ryan Julian, Dmitry Kalashnikov, Yuheng Kuang, Kuang-Huei Lee, Sergey Levine, Yao Lu, Linda…
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Robotics
- Zadanie
- Robotic manipulation
- Podejście
- Reinforcement learning
- Model bazowy
- PaLM (540B)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 540B
- Dane treningowe
- tokens
540B from PaLM-540B.
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.
- Dostosowywanie obliczeń
- 2.8 × 10²⁰ FLOP
I think PaLM-540B wasn't actually involved in training and the authors trained a separate RL model. "The RL model is trained using 16 TPUv3 chips and for about 100 hours, as well as a pool of 3000 CPU workers to collect episodes and another 3000 CPU workers to compute target Q-values." Ignoring CPU calculations: 1600 hours * 3600 * 123 teraflops * 0.4 (assumed utilization) = 2.83e20
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- Google TPU v3
- Zastosowane chipy
- 16
- Czas rzeczywisty
- 100 hours
- Pobór mocy
- 14.4 kW
The RL model is trained using 16 TPUv3 chips and for about 100 hours
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
We open source a version of SayCan that works with a simulated tabletop environment. [tabletop saycan] https://github.com/google-research/google-research/tree/master/saycan License: Apache 2.0
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model bazowy
- Yes
- Prawdopodobnie powyżej 10²³ FLOP
- Yes
- Zapisz pewność
- Likely
- Cytaty
- 3,081
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Do As I Can, Not As I Say: Grounding Language in Robotic Affordances
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
PaLM-SayCan został opublikowany przez Google, w kraju zapisanym jako United States of America, podczas August 2022. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Robotics, i jest zapisany jako wykonujący zadanie robotic manipulation.
Jego punktem wyjścia był istniejący model podstawowy, PaLM (540B). Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Odpowiedzi
PaLM-SayCan — częste pytania
PaLM-SayCan— kiedy to zostało wydane?
Zostało opublikowane w August 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
PaLM-SayCan— do czego to służy?
Działa w dziedzinie Robotics, i jest zarejestrowany jako realizujący zadanie robotic manipulation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
PaLM-SayCan— 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.
PaLM-SayCan— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
PaLM-SayCan— ile ma parametrów?
Ma liczbę parametrów równą 540B. 540B from PaLM-540B. 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.
PaLM-SayCan— kto to stworzył?
Zostało opublikowane przez Google, oparty na United States of America, organizacja sklasyfikowana jako industry.
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.