AFP+FPI (PTB)
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 Sheffield
- Typ organizacji
- Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 4 June 2021
- Autorzy
- Zhengxiong Wang, Anton Ragni
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
- 2M
- Dane treningowe
- 912,344 tokens
- Epoki
- 20
- RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore,…
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
- 2.2 × 10¹⁴ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 2,040,200 parameters * 912344 tokens * 20 epochs = 2.2336371e+14 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
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
- Cytaty
- 4
- Dane benchmarkowe
- AFP+FPI (PTB)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Approximate Fixed-Points in Recurrent Neural Networks
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Tło
AFP+FPI (PTB) został opublikowany przez University of Sheffield, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas June 2021. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trening zajmował około 2.2 × 10¹⁴ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 912,344 Tokeny tekstu.
Odpowiedzi
AFP+FPI (PTB) — częste pytania
AFP+FPI (PTB)— ile ma parametrów?
Ma liczbę parametrów równą 2M. - RNN with 1 hidden layer - 200 hidden units - Vocabulary size = 10,000 The RNN layer will have: - Input weight matrix U: (vocab size x hidden size) = (10,000 x 200) = 2,000,000 parameters - Recurrent weight matrix W: (hidden size x hidden size) = (200 x 200) = 40,000 parameters - Bias vector b: (hidden size) = (200) = 200 parameters Total parameters: U = 2,000,000 W = 40,000 b = 200 Total parameters = U + W + b = 2,000,000 + 40,000 + 200 = 2,040,200 Therefore, the total number of parameters with 200 hidden units and 10,000 vocab size is 2,040,200. _______ from the Algorithmic progress paper spreadsheet. 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.
AFP+FPI (PTB)— kto to stworzył?
Zostało opublikowane przez University of Sheffield, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia.
AFP+FPI (PTB)— 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.
AFP+FPI (PTB)— 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.
AFP+FPI (PTB)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.2 × 10¹⁴ 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.
AFP+FPI (PTB)— 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.
AFP+FPI (PTB)— 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.