Mesh-TensorFlow Transformer 4.9B (language)
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
- Google Brain
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 5 November 2018
- Autorzy
- Noam Shazeer, Youlong Cheng, Niki Parmar, Dustin Tran, Ashish Vaswani, Penporn Koanantakool, Peter Hawkins, Hyoukjoong Mingsheng Lee, Cliff Hong, Ryan Young, Blake Sepassi, Hechtman
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling/generation, 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
- 4.9B
- Dane treningowe
- 5,000,000,000 tokens
- Epoki
- 10
4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'
from section 9.1. Experiments done on a "billion word benchmark" and a 5B token wikipedia dataset. At 4/3 tokens per word, 1.3B tokens in the first.
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
- 1.6 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
flops = (256) * ( 45 * 10**12) * (13 * 3600) * (0.3) = 1.6e20 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.' from https://en.wikipedia.org/wiki/Tensor_Processing_Unit 45TFLOPs per chips
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- Google TPU v2
- Zastosowane chipy
- 256
- Czas-chip
- 3,328
- Czas rzeczywisty
- 13 hours
- Pobór mocy
- 148.1 kW
- Koszt obliczeniowy
- $935
from section 9.1 "For the billion-word language modeling benchmark, we trained the models for 10 epochs. The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster."
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
code here, apache license: https://github.com/tensorflow/mesh/tree/master/mesh_tensorflow/transformer https://github.com/tensorflow/mesh/blob/master/mesh_tensorflow/transformer/transformer.py
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
- Confident
- Cytaty
- 437
'Using TPU meshes of up to 512 cores, we train Transformer models with up to 5 billion parameters, surpassing state of the art results on WMT'14 English-to-French translation task and the one-billion-word language modeling benchmark.'
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Mesh-TensorFlow: Deep Learning for Supercomputers
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
Mesh-TensorFlow Transformer 4.9B (language) został opublikowany przez Google Brain, w kraju zapisanym jako United States of America, podczas November 2018. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation, Translation.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.6 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako Google TPU v2. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 5,000,000,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
Mesh-TensorFlow Transformer 4.9B (language) — częste pytania
Mesh-TensorFlow Transformer 4.9B (language)— 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.
Mesh-TensorFlow Transformer 4.9B (language)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Mesh-TensorFlow Transformer 4.9B (language)— ile ma parametrów?
Ma liczbę parametrów równą 4.9B. 4.9B from section 9.1 : ''The largest model (4.9B parameters) took 13 hours to train on a 512-core TPUv2 cluster.'. 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.
Mesh-TensorFlow Transformer 4.9B (language)— kto to stworzył?
Zostało opublikowane przez Google Brain, oparty na United States of America, organizacja sklasyfikowana jako industry.
Mesh-TensorFlow Transformer 4.9B (language)— kiedy to zostało wydane?
Zostało opublikowane w November 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Mesh-TensorFlow Transformer 4.9B (language)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Translation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Mesh-TensorFlow Transformer 4.9B (language)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.6 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako Google TPU v2. 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.
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.