Parti
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
- Google Research
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 22 June 2022
- Autorzy
- Jiahui Yu, Yuanzhong Xu, Jing Yu Koh, Thang Luong, Gunjan Baid, Zirui Wang, Vijay Vasudevan, Alexander Ku, Yinfei Yang, Burcu Karagol Ayan, Ben Hutchinson, Wei Han, Zarana Parekh, Xin Li, Han Zhang, Jason Baldridge, Yonghui Wu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Image generation
- Zadanie
- Text-to-image, Image generation
- Podejście
- Self-supervised learning
- 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
- 20B
- Dane treningowe
- 4,718,592,000,000 tokens
Abstract: "we achieve consistent quality improvements by scaling the encoder-decoder Transformer model up to 20B parameters"
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
- 5.1 × 10²³ FLOP
- Jak to zostało ustalone
- Operation counting
Calculated from architecture. Does not take into account the encoding and decoding of text and images, only the transformer stack. Table 1 shows for the 20B model 16 encoder layers 64 decoder layers Dmodel = 4096 Dhidden = 16384 Num heads = 64 Just below table 1: "We use a maximum length of text tokens of 128, and the length of image tokens are fixed to 1024" I take the length of the sequence to be 100 for the encoder stack and 1024 for the decoder stack. Section 3, Training: "a total of 450…
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 v4
- Koszt obliczeniowy
- $427,179
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
- Unreleased
"For these reasons, we have decided not to release our Parti models, code, or data for public use without further safeguards in place" https://sites.research.google/parti/
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
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
- Cytaty
- 1,476
"Second, we achieve consistent quality improvements by scaling the encoder-decoder Transformer model up to 20B parameters, with a new state-of-the-art zero-shot FID score of 7.23 and finetuned FID score of 3.22 on MS-COCO"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Scaling Autoregressive Models for Content-Rich Text-to-Image Generation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
Parti został opublikowany przez Google Research, w kraju zapisanym jako United States of America, podczas June 2022. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Image generation, i jest zapisany jako wykonujący zadanie text-to-image, Image generation.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 5.1 × 10²³ FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 4,718,592,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
Parti — częste pytania
Parti— kiedy to zostało wydane?
Zostało opublikowane w June 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Parti— do czego to służy?
Działa w dziedzinie Image generation, i jest zarejestrowany jako realizujący zadanie text-to-image, Image generation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Parti— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 5.1 × 10²³ FLOP, na sprzęcie zarejestrowanym jako Google TPU v4. 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.
Parti— 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.
Parti— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Parti— ile ma parametrów?
Ma liczbę parametrów równą 20B. Abstract: "we achieve consistent quality improvements by scaling the encoder-decoder Transformer model up to 20B parameters". 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.
Parti— kto to stworzył?
Zostało opublikowane przez Google Research, 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.