DiffQ Transformer (16L)
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
- Meta AI
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 20 April 2021
- Autorzy
- Alexandre Défossez, Yossi Adi, Gabriel Synnaeve
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
- Podejście
- Self-supervised learning
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 247M
- Dane treningowe
- 103,000,000 tokens
They base their architecture off of "Transformer (Adaptive Input Embeddings) WT103", a 16 layer transformer with 16 heads per MHA layer, d_model=1024 and d_ff=4096.
WikiText-103, which has 103M training 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
- 3 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting
The authors say they train their base model following Baevski & Auli (2019). That paper trained for 286k steps in batches of 65,536 tokens. This suggests training the base model took 6 * 247M * 286k * 65536 = 2.778E19 FLOPs. However, DiffQ introduces some additional computational overhead during training: "Using DiffQ usually increase the training time by some amount. On the language modeling task, the time per batch went from 115ms to 125ms." This suggests 125/115 - 1 = 8.7% overhead, relati…
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
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)
training code (non-commercial): https://github.com/facebookresearch/diffq/blob/main/examples/FAIRSEQ_README.md
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 63
- Dane benchmarkowe
- DiffQ Transformer (16L)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Differentiable Model Compression via Pseudo Quantization Noise
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
DiffQ Transformer (16L) został opublikowany przez Meta AI, w kraju zapisanym jako United States of America, podczas April 2021. Kategoria, do której należy wydawca, to industry.
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.
Co poszło w budowę tego
Trening zajmował około 3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 103,000,000 Tokeny tekstu.
Odpowiedzi
DiffQ Transformer (16L) — częste pytania
DiffQ Transformer (16L)— ile ma parametrów?
Ma liczbę parametrów równą 247M. They base their architecture off of "Transformer (Adaptive Input Embeddings) WT103", a 16 layer transformer with 16 heads per MHA layer, d_model=1024 and d_ff=4096. 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.
DiffQ Transformer (16L)— kto to stworzył?
Zostało opublikowane przez Meta AI, oparty na United States of America, organizacja sklasyfikowana jako industry.
DiffQ Transformer (16L)— kiedy to zostało wydane?
Zostało opublikowane w April 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DiffQ Transformer (16L)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
DiffQ Transformer (16L)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. 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.
DiffQ Transformer (16L)— 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.
DiffQ Transformer (16L)— 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.