Statement Curriculum Learning
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
- OpenAI
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 2 March 2022
- Autorzy
- Stanislas Polu, Jesse Michael Han, Kunhao Zheng, Mantas Baksys, Igor Babuschkin, Ilya Sutskever
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language, Mathematics
- Zadanie
- Automated theorem proving, Language modeling/generation, Question answering, Mathematical reasoning
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 774M
- Dane treningowe
- 372,000,000,000 tokens
Table on p12 gives WebMath dataset size in GB of code. Uncompressed code probably has a similar number of tokens per gigabyte as natural language text, on the order of 3e8 tokens per GB.
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
- 1.8 × 10²² FLOP
- Jak to zostało ustalone
- Hardware
pretraining: 6 FLOP/parameter/token * 774000000 parameters * 372000000000 tokens = 1.727568e+21 FLOP unknown number of epochs -> "Likely" confidence expert iteration: 312000000000000 FLOP/GPU/sec * 48000 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.617408e+22 FLOP 1.617408e+22 FLOP + 1.727568e+21 FLOP = 1.7901648e+22 FLOP
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A100
- Czas-chip
- 48,000
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
- API access
- Kod treningowy
- Unreleased
It seems that only inference code is here, no model weights or pre-training code: https://github.com/openai/lean-gym Apache 2.0 "We present lean-gym’s API"
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
- Likely
- Cytaty
- 161
"by applying this expert iteration to a manually curated set of problem statements, we achieve state-of-the-art on the miniF2F benchmark, automatically solving multiple challenging problems drawn from high school olympiads."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Formal Mathematics Statement Curriculum Learning
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
Statement Curriculum Learning został opublikowany przez OpenAI, w kraju zapisanym jako United States of America, podczas March 2022. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, Mathematics, i jest zapisany jako wykonujący zadanie automated theorem proving, Language modeling/generation, Question answering, Mathematical reasoning.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Trening zajmował około 1.8 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 372,000,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
Statement Curriculum Learning — częste pytania
Statement Curriculum Learning— kto to stworzył?
Zostało opublikowane przez OpenAI, oparty na United States of America, organizacja sklasyfikowana jako industry.
Statement Curriculum Learning— 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.
Statement Curriculum Learning— do czego to służy?
Działa w dziedzinie Language, Mathematics, i jest zarejestrowany jako realizujący zadanie automated theorem proving, Language modeling/generation, Question answering, Mathematical reasoning. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Statement Curriculum Learning— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.8 × 10²² FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. 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.
Statement Curriculum Learning— 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.
Statement Curriculum Learning— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Statement Curriculum Learning— ile ma parametrów?
Ma liczbę parametrów równą 774M. 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.