Segatron-XL large, M=384 + HCP
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
- Microsoft Research,University of Waterloo
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America, Canada
- Opublikowany
- 21 March 2022
- Autorzy
- He Bai, Tong Wang, Alessandro Sordoni, Peng Shi
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
- 257M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 167.02
257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128.
103000000 tokens - size of wikitext 103 Training steps: 350,000 steps Sequence length: 384 tokens Batch size: 128 Tokens per batch = 384 tokens/batch × 128 = 49,152 tokens/batch Total tokens = 49,152 tokens/batch × 350,000 steps = 17.2 billion tokens 17200000000/103000000 = 167 epochs
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
- 2.7 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / token / parameter * 257000000 parameters * 384 tokens/batch × 128 [batch size] * 350000 steps = 2.6527334e+19 FLOP
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 (non-commercial)
code, no license https://github.com/richardbaihe/robustlm
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
- Confident
- Cytaty
- 17
- Dane benchmarkowe
- Segatron-XL large, M=384 + HCP
"Empirically, this curriculum learning strategy consistently improves perplexity over various large, highly-performant state-of-the-art Transformer-based models on two datasets, WikiText-103 and ARXIV"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Better Language Model with Hypernym Class Prediction
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
Segatron-XL large, M=384 + HCP został opublikowany przez Microsoft Research,University of Waterloo, w kraju zapisanym jako United States of America, podczas March 2022. Wychodzi z organizacji zaklasyfikowanej jako industry,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 2.7 × 10¹⁹ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 103,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
Segatron-XL large, M=384 + HCP — częste pytania
Segatron-XL large, M=384 + HCP— kto to stworzył?
Zostało opublikowane przez Microsoft Research,University of Waterloo, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
Segatron-XL large, M=384 + HCP— kiedy to zostało wydane?
Zostało opublikowane w March 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.7 × 10¹⁹ FLOP. 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.
Segatron-XL large, M=384 + HCP— 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.
Segatron-XL large, M=384 + HCP— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Segatron-XL large, M=384 + HCP— ile ma parametrów?
Ma liczbę parametrów równą 257M. 257M (Table 1) 18 layers, 16 heads, hidden size 1024 batch size 128. 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.
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.