FMMformer (2-kernel fast weight + Band20)
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
- University of California Los Angeles (UCLA),University of Utah
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 5 August 2021
- Autorzy
- Tan M. Nguyen, Vai Suliafu, Stanley J. Osher, Long Chen, Bao Wang
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling, Text classification
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 40M
- Dane treningowe
- tokens
40M (caption to Table 2)
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
- 2.5 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / token / parameter * 40 * 10^6 parameters * 103*10^6 tokens * 1 epoch [assumed, not given] = 2.472e+16 FLOP ________ estimation from the Algorithmic progress paper: 4.3*10^17 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 GeForce RTX 3090 Ti
- Zastosowane chipy
- 4
- Pobór mocy
- 3.6 kW
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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Speculative
- Cytaty
- 38
- Dane benchmarkowe
- FMMformer (2-kernel fast weight + Band20)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- FMMformer: Efficient and Flexible Transformer via Decomposed Near-field and Far-field Attention
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Skąd to pochodzi
FMMformer (2-kernel fast weight + Band20) został opublikowany przez University of California Los Angeles (UCLA),University of Utah, w kraju zapisanym jako United States of America, podczas August 2021. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling, Text classification.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.5 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 3090 Ti. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
FMMformer (2-kernel fast weight + Band20) — częste pytania
FMMformer (2-kernel fast weight + Band20)— 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.
FMMformer (2-kernel fast weight + Band20)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
FMMformer (2-kernel fast weight + Band20)— ile ma parametrów?
Ma liczbę parametrów równą 40M. 40M (caption to Table 2). 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.
FMMformer (2-kernel fast weight + Band20)— kto to stworzył?
Zostało opublikowane przez University of California Los Angeles (UCLA),University of Utah, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
FMMformer (2-kernel fast weight + Band20)— kiedy to zostało wydane?
Zostało opublikowane w August 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
FMMformer (2-kernel fast weight + Band20)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling, Text classification. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
FMMformer (2-kernel fast weight + Band20)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.5 × 10¹⁶ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 3090 Ti. 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.
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.