DensePhrases
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
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
- Korea University,Princeton University
- Typ organizacji
- Academia,Academia
- Kraj
- Korea (Republic of), United States of America
- Opublikowany
- 23 December 2020
- Autorzy
- Jinhyuk Lee, Mujeen Sung, Jaewoo Kang, Danqi Chen
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Question answering
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 58,000,000 tokens
- Epoki
- 4
from appendix D "The number of generated questions is 327,302 and 1,126,354 for SQuAD and Natural Questions, respectively." assuming 40 words per question we get around ~ 58M
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
- 2.1 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Hardware
flops = (8) * (1215 * 10**10) * (20 * 3600) * 3 // 10 = 2099520000000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) model of GPU from appendix B (Titan Xp) number of GPUs from table in appendix A flops from https://www.techpowerup.com/gpu-specs/titan-xp.c2948
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA TITAN Xp
- Zastosowane chipy
- 8
- Czas-chip
- 160
- Czas rzeczywisty
- 20 hours
- Pobór mocy
- 4.1 kW
appendix A row 3
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
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
Apache 2.0: https://github.com/princeton-nlp/DensePhrases
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Speculative
- Cytaty
- 128
from abstract "our model DensePhrases improves over previous phrase retrieval models by 15%-25% absolute accuracy and matches the performance of state-of-the-art retriever-reader models. " "we achieve state-of-the-art performance on two slot filling tasks (Petroni et al., 2021), using less than 5% of the training data."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning Dense Representations of Phrases at Scale
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
DensePhrases został opublikowany przez Korea University,Princeton University, w kraju zapisanym jako Korea (Republic of), podczas December 2020. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie question answering.
Wagi są publikowane, więc można je pobrać i uruchomić na własnym sprzęcie bezterminowo, offline, bez przypisanego konta.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.1 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA TITAN Xp. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 58,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
DensePhrases — częste pytania
DensePhrases— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie question answering. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
DensePhrases— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
DensePhrases— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.1 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA TITAN Xp. 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.
DensePhrases— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
DensePhrases— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
DensePhrases— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
DensePhrases— kto to stworzył?
Zostało opublikowane przez Korea University,Princeton University, oparty na Korea (Republic of), organizacja sklasyfikowana jako academia,Academia.
DensePhrases— kiedy to zostało wydane?
Zostało opublikowane w December 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
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.