FAIRSEQ Adaptive Inputs
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,Google Brain
- Typ organizacji
- Industry,Industry
- Kraj
- United States of America, France
- Opublikowany
- 1 April 2019
- Autorzy
- Myle Ott, Sergey Edunov, Alexei Baevski, Angela Fan, Sam Gross, Nathan Ng, David Grangier, Michael Auli
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
- 247M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 180
"The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer
assuming same number of epochs as in Baevski and Auli (2019) Transformer - 180
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
- 3.2 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
6 FLOP / parameter / token * 247000000 parameters * 103000000 tokens * 180 epochs = 2.747628e+19 FLOP for translation model, Table 2: 31330000000000 FLOP / second / GPU * 128 GPUs * 8.5 hours * 3600 seconds / hour * 0.3 [assumed precision] = 3.6814003e+19 FLOP sqrt(2.747628e+19*3.6814003e+19) = 3.1804274e+19 FLOP Speculative confidence since amount of parameters and epochs are assumed as well as hardware estimation is given for another model in the paper __________ In the Algorithmic progr…
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
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
weights and training, Repo is MIT-licensed https://github.com/facebookresearch/fairseq/blob/main/examples/language_model/README.adaptive_inputs.md
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Speculative
- Cytaty
- 3,381
- Dane benchmarkowe
- FAIRSEQ Adaptive Inputs
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- fairseq: A Fast, Extensible Toolkit for Sequence Modeling
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
FAIRSEQ Adaptive Inputs został opublikowany przez Facebook AI Research,Google Brain, w kraju zapisanym jako United States of America, podczas April 2019. Organizacja publikująca jest klasyfikowana jako industry,Industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Wytworzenie tego wymagało arytmetyki sumującej około 3.2 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 103,000,000 Tokeny tekstu.
Odpowiedzi
FAIRSEQ Adaptive Inputs — częste pytania
FAIRSEQ Adaptive Inputs— kto to stworzył?
Zostało opublikowane przez Facebook AI Research,Google Brain, oparty na United States of America, organizacja sklasyfikowana jako industry,Industry.
FAIRSEQ Adaptive Inputs— kiedy to zostało wydane?
Zostało opublikowane w April 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
FAIRSEQ Adaptive Inputs— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
FAIRSEQ Adaptive Inputs— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.2 × 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.
FAIRSEQ Adaptive Inputs— 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.
FAIRSEQ Adaptive Inputs— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
FAIRSEQ Adaptive Inputs— ile ma parametrów?
Ma liczbę parametrów równą 247M. "The first model has 16 blocks, inner dimension 4K and embedding dimension 1K" 247M as in Baevski and Auli (2019) Transformer. 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.
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.