T2R 75% + Pretrain (WT-103)
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 Washington,Microsoft,DeepMind
- Typ organizacji
- Academia,Industry,Industry
- Kraj
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 24 March 2021
- Autorzy
- Jungo Kasai, Hao Peng, Yizhe Zhang, Dani Yogatama, Gabriel Ilharco, Nikolaos Pappas, Yi Mao, Weizhu Chen, Noah A. Smith
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
- 668.9M
- Dane treningowe
- tokens
- Epoki
- 34.47
Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024…
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
- 1.4 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
Table 4, "We found that we could speed up training by reducing the warm-up steps, total update steps, maximum and minimum rates, and batch size to 8K steps, 142K steps, 5 ⋅ 10−6, 0.5, and 25K tokens " 142K updates, 25k token batches Training compute: 6*668893184*142000*25000=1.4247425e+19 GPU hour estimate: 95*60*60*125000000000000*0.3=1.2825e+19 Geometric mean: 13517515512289972224 Epochs: 142000*25000/103000000=34.4660194175
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
- Zastosowane chipy
- 8
- Czas rzeczywisty
- 12 hours
- Pobór mocy
- 4.9 kW
95h GPU time / 8 GPUs ~11.8h wall clock time
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
There's a repo but it's kind of inscrutable with no docs about T2R, not clear if the training code for this paper is in it: https://github.com/jungokasai/T2R/tree/master
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 94
- Dane benchmarkowe
- T2R 75% + Pretrain
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Finetuning Pretrained Transformers into RNNs
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
T2R 75% + Pretrain (WT-103) został opublikowany przez University of Washington,Microsoft,DeepMind, w kraju zapisanym jako United States of America, podczas March 2021. Organizacja publikująca jest klasyfikowana jako academia,Industry,Industry.
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.
Co poszło w budowę tego
Trening zajmował około 1.4 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
T2R 75% + Pretrain (WT-103) — częste pytania
T2R 75% + Pretrain (WT-103)— kiedy to zostało wydane?
Zostało opublikowane w March 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
T2R 75% + Pretrain (WT-103)— 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.
T2R 75% + Pretrain (WT-103)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.4 × 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.
T2R 75% + Pretrain (WT-103)— 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.
T2R 75% + Pretrain (WT-103)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
T2R 75% + Pretrain (WT-103)— ile ma parametrów?
Ma liczbę parametrów równą 668.9M. Vocabulary size unclear, ~260k if they directly use WT 103 Assumed tied embeddings Remaining parameters: 32 layers 8 attention heads (H) 128 head dimensions (N, D) 1024 model (embedding) dimensions (W, M) 4096 feedforward dimensions "We partition the training data into non-overlapping blocks of 512 contiguous tokens" MLP layer: 2*1024*4096=8388608 Att layer: H×(W×(2×D + N) + N×M) 8*(1024*(2*128+128)+128*1024)=4194304 Total non embedding: 32*(8388608+4194304)=402653184 Embedding: 260000*1024=266240000 Total: 402653184+266240000=668893184. 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.
T2R 75% + Pretrain (WT-103)— kto to stworzył?
Zostało opublikowane przez University of Washington,Microsoft,DeepMind, oparty na United States of America, organizacja sklasyfikowana jako academia,Industry,Industry.
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.