CoCa

Zamknięte wagi Google Research 2.1B Parametry June 2022

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
Google Research
Typ organizacji
Industry
Kraj
United States of America
Opublikowane
14 June 2022
Authors
Jiahui Yu, Zirui Wang, Vijay Vasudevan, Legg Yeung, Mojtaba Seyedhosseini, Yonghui Wu

Co to robi

Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.

Domena
Vision
Zadanie
Image classification, Visual question answering, Image captioning
Approach
Self-supervised learning

Rozmiar

Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.

Parametry
2.1B

"Our largest CoCa model ("CoCa" in short) follows the ViT-giant setup in [21] with 1B-parameters in the image encoder and 2.1B-parameters altogether with the text decoder"

Dane treningowe
1,351,680,000,000 tokens

JFT is 3 billion captioned images, ALIGN is 1.8 billion captioned images "we use a batch size of 65,536 image-text pairs, where half of each batch comes from JFT and ALIGN, respectively. All models are trained on the combined contrastive and captioning objectives in Eq.(4) for 500k steps, roughly corresponding to 5 epochs on JFT and 10 epochs on ALIGN." (5*3b+10*1.8b)/4.8b=6.875 epochs on average

Epoki
6.88

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
7.3 × 10²² FLOP

"Pretraining CoCa takes about 5 days on 2,048 CloudTPUv4 chips" 275 teraFLOP/s * 2048 * 5 * 24 * 3600 * 0.3 (assumed utilization) = 7.3e22

Jak to zostało ustalone
Hardware

Trening

Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.

Sprzęt szkoleniowy
Google TPU v4
Chips used
2,048
Wall-clock time
120 hours

5 days

Pobór mocy
1.4 MW
Compute cost
$78,043

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

Jak jest klasyfikowane

Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.

Dlaczego jest śledzone
SOTA improvement

"Notably on ImageNet classification, CoCa obtains 86.3% zero-shot top-1 accuracy, 90.6% with a frozen encoder and learned classification head, and new state-of-the-art 91.0% top-1 accuracy on ImageNet with a finetuned encoder."

Zaufanie do nagrania
Confident
Citations
1,719

Źródła

Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.

Referencja
CoCa: Contrastive Captioners are Image-Text Foundation Models
Ostatnia aktualizacja
25 May 2026

Co oznaczają liczby

Background

CoCa was published by Google Research, in United States of America, in June 2022. It comes out of industry.

It works in Vision, and is recorded as doing image classification, Visual question answering, Image captioning.

This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.

Training and provenance

Training it took roughly 7.3 × 10²² FLOP of computation, on Google TPU v4 — a measure of what producing the model cost, not of how fast it answers.

Around 1,351,680,000,000 tokens went into training it.

Its inclusion criterion is sOTA improvement.

Odpowiedzi

CoCa — Często zadawane pytania

01

How much compute was used to train CoCa?

Around 7.3 × 10²² FLOP, on Google TPU v4. 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.

02

What GPU do I need to run CoCa?

None. CoCa 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.

03

Is CoCa open source?

No. CoCa has not had its weights published, so it exists only as a service controlled by its owner.

04

How many parameters does CoCa have?

CoCa has 2.1B parameters. "Our largest CoCa model ("CoCa" in short) follows the ViT-giant setup in [21] with 1B-parameters in the image encoder and 2.1B-parameters altogether with the text decoder". 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.

05

Who created CoCa?

CoCa was published by Google Research, based in United States of America, categorised as industry.

06

When was CoCa released?

CoCa was published in June 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

07

What is CoCa used for?

CoCa works in Vision, and is recorded as handling image classification, Visual question answering, Image captioning. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.

Źródło

Publikacja oryginalna

Ostatnia aktualizacja rekordu 25 May 2026

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..