All-attention network + adaptive span
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
- Facebook AI Research
- Typ organizacji
- Industry
- Kraj
- United States of America, France
- Opublikowany
- 2 July 2019
- Autorzy
- Sainbayar Sukhbaatar, Edouard Grave, Guillaume Lample, Herve Jegou, Armand Joulin
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling/generation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 133M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 31.8
- Rozmiar wsadu
- 16,384
133M (Table 3) For word level language modeling, we use a model with d = 512 and 36 layers, each with 8 heads and 2048 persistent vectors.
8k warmup steps A batch consists of 64 samples, each with 256 tokens Following Baevski and Auli [2] on WikiText-103, we use tied adaptive softmax and adaptive input with 3 clusters of size 20k, 40k and 200k assuming 200k steps: 200000*64*256/103000000 = 31.8 epochs
64*256
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
- 1.2 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware,Operation counting
31330000000000 FLOP / sec / GPU [fp16] * 64 GPUs * 24 hours * 3600 sec/hour * 0.3 [assumed utilization] = 5.197271e+19 FLOP 6 FLOP / token / parameter * 200000 steps * 64 sequences per batch * 256 tokens per sequence * 133000000 parameters = 2.6148864e+18 FLOP sqrt(5.197271e+19*2.6148864e+18) = 1.1657733e+19 FLOP likely confidence: i am uncertain about number of steps and v100 precision _________ The Algorithmic Progress paper estimation was 4.6 × 10^19 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 V100
- Zastosowane chipy
- 64
- Czas rzeczywisty
- 24 hours
- Pobór mocy
- 39.5 kW
"Training large models takes about a day on 64 V100 GPUs."
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
- Likely
- Cytaty
- 156
- Dane benchmarkowe
- All-attention network + adaptive span
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Augmenting Self-attention with Persistent Memory
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
All-attention network + adaptive span został opublikowany przez Facebook AI Research, w kraju zapisanym jako United States of America, podczas July 2019. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Trening zajmował około 1.2 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 103,000,000 Tokeny tekstu.
Odpowiedzi
All-attention network + adaptive span — częste pytania
All-attention network + adaptive span— ile ma parametrów?
Ma liczbę parametrów równą 133M. 133M (Table 3) For word level language modeling, we use a model with d = 512 and 36 layers, each with 8 heads and 2048 persistent vectors. 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.
All-attention network + adaptive span— kto to stworzył?
Zostało opublikowane przez Facebook AI Research, oparty na United States of America, organizacja sklasyfikowana jako industry.
All-attention network + adaptive span— kiedy to zostało wydane?
Zostało opublikowane w July 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
All-attention network + adaptive span— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
All-attention network + adaptive span— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.2 × 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.
All-attention network + adaptive span— 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.
All-attention network + adaptive span— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
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.