Transformer+Recurrent Windows of 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
- Toyota Technological Institute at Chicago,University of Chicago
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 16 August 2020
- Autorzy
- Davis Yoshida, Allyson Ettinger, Kevin Gimpel
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
- Model bazowy
- GPT-2 (124M)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 124M
- Dane treningowe
- tokens
- Epoki
- 2
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
- 7.9 × 10²⁰ FLOP
- Jak to zostało ustalone
- Operation counting
- Dostosowywanie obliczeń
- 1.5 × 10¹⁷ FLOP
base model compute (speculative confidence): 7.936e+20 FLOP fine-tune compute: 1.53264e+17 FLOP 7.936e+20 FLOP + 1.53264e+17 FLOP = 7.9375326e+20 FLOP
6 FLOP / token / parameter * 124000000 parameters * 103000000 tokens * 2 epochs = 1.53264e+17 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
- Speculative
- Cytaty
- 7
- Dane benchmarkowe
- Transformer+Recurrent Windows of Context
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Adding Recurrence to Pretrained Transformers for Improved Efficiency and Context Size
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
Transformer+Recurrent Windows of Context został opublikowany przez Toyota Technological Institute at Chicago,University of Chicago, w kraju zapisanym jako United States of America, podczas August 2020. Kategoria, do której należy wydawca, to academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Opiera się na GPT-2 (124M). Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 7.9 × 10²⁰ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
Transformer+Recurrent Windows of Context — częste pytania
Transformer+Recurrent Windows of 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.
Transformer+Recurrent Windows of Context— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 7.9 × 10²⁰ 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.
Transformer+Recurrent Windows of 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.
Transformer+Recurrent Windows of Context— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Transformer+Recurrent Windows of Context— ile ma parametrów?
Ma liczbę parametrów równą 124M. 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.
Transformer+Recurrent Windows of Context— kto to stworzył?
Zostało opublikowane przez Toyota Technological Institute at Chicago,University of Chicago, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
Transformer+Recurrent Windows of Context— kiedy to zostało wydane?
Zostało opublikowane w August 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.