TaLK Convolution
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
- Carleton University
- Typ organizacji
- Academia
- Kraj
- Canada
- Opublikowany
- 8 February 2020
- Autorzy
- Vasileios Lioutas, Yuhong Guo
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling, Translation, Text summarization
- Format numeryczny
- FP16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 240M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 182
- Rozmiar wsadu
- 65,536
Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4."
" We replicated their setup and partition the training data into blocks of 512 contiguous tokens" " same setup as in Baevski & Auli (2019)" https://arxiv.org/abs/1809.10853 in that paper they trained for 286k steps in batches of 65,536 tokens. 286000*65536 / 103000000= 182 epochs (same as in as in Baevski & Auli (2019))
same setup as in Baevski & Auli (2019)
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
- 2.7 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 240000000 parameters * 286000 steps * 65536 tokens per batch = 2.6990346e+19 FLOP
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce RTX 2080 Ti 11GB
- Zastosowane chipy
- 8
- Pobór mocy
- 4.1 kW
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
MIT, code and weights (though this repo is for translation not WT-103): https://github.com/lioutasb/TaLKConvolutions?tab=readme-ov-file
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
- Likely
- Cytaty
- 30
- Dane benchmarkowe
- TaLK Convolution
"[We] set a new state-of-the-art result on the IWSLT De-En and CNN-DailyMail datasets"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Time-aware Large Kernel Convolutions
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
TaLK Convolution został opublikowany przez Carleton University, w kraju zapisanym jako Canada, podczas February 2020. Organizacja publikująca jest klasyfikowana jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling, Translation, Text summarization.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Trening zajmował około 2.7 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 2080 Ti 11GB. 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.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
TaLK Convolution — częste pytania
TaLK Convolution— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.7 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce RTX 2080 Ti 11GB. 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.
TaLK Convolution— 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.
TaLK Convolution— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
TaLK Convolution— ile ma parametrów?
Ma liczbę parametrów równą 240M. Table 5 "For the language model, we followed the same configuration as Baevski & Auli (2019). We used 17 decoding layers, each layer with a 1024 hidden size, a 4096 feed-forward hidden size and 8 heads. The adaptive input factor was set to 4.". 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.
TaLK Convolution— kto to stworzył?
Zostało opublikowane przez Carleton University, oparty na Canada, organizacja sklasyfikowana jako academia.
TaLK Convolution— kiedy to zostało wydane?
Zostało opublikowane w February 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
TaLK Convolution— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling, Translation, Text summarization. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
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.