AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
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
- Carnegie Mellon University (CMU)
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 10 November 2017
- Autorzy
- Zhilin Yang, Zihang Dai, Ruslan Salakhutdinov, William W. Cohen
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 35M
- Dane treningowe
- 2,000,000 tokens
- Epoki
- 8,000
35M (Table 2)
max sequence length from https://github.com/zihangdai/mos/blob/master/main.py is 110 tokens batch size 15 (table 8) epochs: 8000 (from https://github.com/zihangdai/mos/blob/master/main.py)
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
- 3.4 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 35000000 parameters * 2000000 tokens * 8000 epochs = 3.36e+18 FLOP _____________ in the algorithmic progress paper the estimation was 4.37 × 10^17 FLOP based on 1000 epochs assumption
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
MIT code: https://github.com/zihangdai/mos
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
- Likely
- Cytaty
- 416
- Dane benchmarkowe
- AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)
"Experimental results confirm that the proposed method significantly improves state-of-the-art language models, achieving a perplexity of 55.31 and 62.89 on the test set of Penn Treebank and WikiText-2"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Breaking the Softmax Bottleneck: A High-Rank RNN Language Model
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Co to jest model?
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) został opublikowany przez Carnegie Mellon University (CMU), w kraju zapisanym jako United States of America, podczas November 2017. Organizacja publikująca jest klasyfikowana jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Wytworzenie tego wymagało arytmetyki sumującej około 3.4 × 10¹⁸ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 2,000,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017) — częste pytania
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.4 × 10¹⁸ FLOP. 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— ile ma parametrów?
Ma liczbę parametrów równą 35M. 35M (Table 2). 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— kto to stworzył?
Zostało opublikowane przez Carnegie Mellon University (CMU), oparty na United States of America, organizacja sklasyfikowana jako academia.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— kiedy to zostało wydane?
Zostało opublikowane w November 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2017)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
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.