Delta RNN (+ full context)
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
- IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST)
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- Switzerland, Saudi Arabia
- Opublikowany
- 11 June 2021
- Autorzy
- Kazuki Irie, Imanol Schlag, Róbert Csordás, Jürgen Schmidhuber
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
- 44.6M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 40
44.6M
"All models are trained and evaluated on the span of 256 tokens"
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
- 1.1 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / token / parameter * 44600000 parameters * 103000000 tokens * 40 epochs [assumed -> "Speculative" confidence] = 1.102512e+18 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 source
train and eval code for Delta RNN: https://github.com/IDSIA/recurrent-fwp/tree/master/language_modeling apache 2 license: https://github.com/IDSIA/recurrent-fwp/blob/master/language_modeling/LICENSE
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Speculative
- Cytaty
- 77
- Dane benchmarkowe
- Delta RNN (+ full context)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Going Beyond Linear Transformers with Recurrent Fast Weight Programmers
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
O tym modelu
Delta RNN (+ full context) został opublikowany przez IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST), w kraju zapisanym jako Switzerland, podczas June 2021. Kategoria, do której należy wydawca, to academia,Academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.1 × 10¹⁸ 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.
Odpowiedzi
Delta RNN (+ full context) — częste pytania
Delta RNN (+ full context)— ile ma parametrów?
Ma liczbę parametrów równą 44.6M. 44.6M. 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.
Delta RNN (+ full context)— kto to stworzył?
Zostało opublikowane przez IDSIA,SUPSI,King Abdullah University of Science and Technology (KAUST), oparty na Switzerland, organizacja sklasyfikowana jako academia,Academia,Academia.
Delta RNN (+ full context)— kiedy to zostało wydane?
Zostało opublikowane w June 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Delta RNN (+ full context)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
Delta RNN (+ full context)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.1 × 10¹⁸ 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.
Delta RNN (+ full context)— 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.
Delta RNN (+ full context)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
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.