Dexterous In-Hand Manipulation [control policy]
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
- OpenAI
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 1 August 2018
- Autorzy
- Marcin Andrychowicz, Bowen Baker, Maciek Chociej, Rafal Jozefowicz, Bob McGrew, Jakub Pachocki, Arthur Petron, Matthias Plappert, Glenn Powell, Alex Ray, Jonas Schneider, Szymon Sidor, Josh Tobin, Peter Welinder, Lilian Weng, Wojciech Zaremba
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Robotics
- Zadanie
- Robotic manipulation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 3.2M
- Dane treningowe
- tokens
See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-…
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
- 2.2 × 10²⁰ FLOP
- Jak to zostało ustalone
- Hardware
In experiments, runs were typically conducted for 50 hours of wall time, with up to 32 GPUs. Table 10 specifies V100 GPUs for training the policy. Assume V100 base variant, BF16, 0.3 utilization V100 tensor FP16 performance = 1.25e14 FLOP/s 32 GPUs * (0.3 * 1.25e14 FLOP/s/GPU) * (3600 s/1 hr) * 50 hr = 2.16e+20 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
- 8
- Czas rzeczywisty
- 50 hours
- Pobór mocy
- 5.0 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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 2,156
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning Dexterous In-Hand Manipulation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
Dexterous In-Hand Manipulation [control policy] został opublikowany przez OpenAI, w kraju zapisanym jako United States of America, podczas August 2018. Kategoria, do której należy wydawca, to industry.
Działa w dziedzinie Robotics, i jest zapisany jako wykonujący zadanie robotic manipulation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 2.2 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA V100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
Dexterous In-Hand Manipulation [control policy] — częste pytania
Dexterous In-Hand Manipulation [control policy]— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.2 × 10²⁰ 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.
Dexterous In-Hand Manipulation [control policy]— 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.
Dexterous In-Hand Manipulation [control policy]— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Dexterous In-Hand Manipulation [control policy]— ile ma parametrów?
Ma liczbę parametrów równą 3.2M. See Figure 2 - Deployed model (D) consists of a Control Policy Network (B) and Vision Network (C), trained separately. (Training of (B) also includes training of a Value Network that is, ignoring input-output size differences, identical in architecture to that of the control policy; the value network is not included during deployment). Control Policy Network: 3181588 (23552 + 3147776 + 10260) see Table 2, Figure 12, Table 10 given: - input: 22 out [Table 2, 15+3+4] - normalization: 22 out - FC-RELU: 1024 out [Table 10, assume bias] - LSTM: 512 out [Table 10, assume bias] - FC (implied?): 20 out [Appendix C.1, Actions] parameters: - FC-RELU: 23552 [(22+1)*1024] - normalization: 0 [ignored] - LSTM: 3147776 [4*(1024+512+1)*512] - FC (Implied?): 10260 [(512+1)*20]. 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.
Dexterous In-Hand Manipulation [control policy]— kto to stworzył?
Zostało opublikowane przez OpenAI, oparty na United States of America, organizacja sklasyfikowana jako industry.
Dexterous In-Hand Manipulation [control policy]— kiedy to zostało wydane?
Zostało opublikowane w August 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Dexterous In-Hand Manipulation [control policy]— do czego to służy?
Działa w dziedzinie Robotics, i jest zarejestrowany jako realizujący zadanie robotic manipulation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
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.