RMSNorm (Transformer-base)
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 Edinburgh,University of Zurich
- Typ organizacji
- Academia,Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland, Switzerland
- Opublikowany
- 16 October 2019
- Autorzy
- Biao Zhang, Rico Sennrich
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Translation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 65M
- Dane treningowe
- 7,500,000,000 tokens
Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf)
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
- 2.8 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
6 FLOP/parameter/token * 65000000 parameters * 7500000000 tokens = 2.925e18 FLOP 125000000000000 FLOP/GPU/sec * 19.25 hours * 3600 sec / hour * 1 GPUs * 0.3 [assumed utilization] = 2.59875e18 FLOP sqrt(2.925e18 * 2.59875e18) = 2.7570535e+18 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 V100
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 19 hours
- Pobór mocy
- 338 W
Table 4: 231 seconds per 1k training steps 300k steps -> 300*231 seconds -> 19.25 hours
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 source
BSD-3 clause license https://github.com/bzhangGo/rmsnorm
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Root Mean Square Layer Normalization
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Co to jest model?
RMSNorm (Transformer-base) został opublikowany przez University of Edinburgh,University of Zurich, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas October 2019. Kategoria, do której należy wydawca, to academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie translation.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.8 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 7,500,000,000 Tokeny tekstu.
Odpowiedzi
RMSNorm (Transformer-base) — częste pytania
RMSNorm (Transformer-base)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
RMSNorm (Transformer-base)— ile ma parametrów?
Ma liczbę parametrów równą 65M. Transformer-base has 65M parameters (Table 3 from https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf). 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.
RMSNorm (Transformer-base)— kto to stworzył?
Zostało opublikowane przez University of Edinburgh,University of Zurich, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia,Academia.
RMSNorm (Transformer-base)— kiedy to zostało wydane?
Zostało opublikowane w October 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
RMSNorm (Transformer-base)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie translation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
RMSNorm (Transformer-base)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.8 × 10¹⁸ 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.
RMSNorm (Transformer-base)— 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.
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.