FGN
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 DeepMind
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 12 June 2025
- Autorzy
- Ferran Alet, Ilan Price, Andrew El-Kadi, Dominic Masters, Stratis Markou, Tom R. Andersson, Jacklynn Stott, Remi Lam, Matthew Willson, Alvaro Sanchez-Gonzalez, Peter Battaglia
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Earth science
- Zadanie
- Weather forecasting
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 720M
- Dane treningowe
- tokens
"In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M
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
- 9.6 × 10²¹ FLOP
- Jak to zostało ustalone
- Hardware
TPU v5 FLOPs: 459000000000000 TPU v6 FLOPs: 918000000000000 They train for 490 TPU days, with an unspecified mix of v5 and v6. Assuming same proportion of both TPU and a utilization of 0.33. Mean TPU FLOPs: 688500000000000 Compute: 490*24*60*60*688500000000000*0.33=9618950880000001000000
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 v5p,Google TPU v6e Trillium
- Czas rzeczywisty
- 72 hours
"Training FGN takes approximately 3 wall clock days, using a combined total of 490 TPUv5p and TPUv6e days of compute. " It's unclear if training a single model or the whole ensemble takes 3 days.
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.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
"This paper presents FGN, a simple, scalable and flexible modeling approach which significantly outperforms the current state-of-the-art models" "FGN achieves state-of-the-art cyclone track prediction" "Our results show FGN offers substantial improvements over previous ML-based probabilistic weather models, and sets a new state-of-the-art in ensemble forecasting. It outperforms GenCast with both the skill of its marginal forecasts, including on extreme weather, as well as its skill in forecast…
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Skillful joint probabilistic weather forecasting from marginals
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
FGN został opublikowany przez Google DeepMind, w kraju zapisanym jako United States of America, podczas June 2025. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Earth science, i jest zapisany jako wykonujący zadanie weather forecasting.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 9.6 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v5p,Google TPU v6e Trillium. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
FGN — częste pytania
FGN— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
FGN— ile ma parametrów?
Ma liczbę parametrów równą 720M. "In this work we train 𝐽 = 4 models. To ensemble their predictions, we generate an equal number of ensemble member trajectories from each model" "FGN is a larger model, with ∼180m parameters per model seed" They train a 4 model ensemble with 180M parameters per model. Total parameters: 4*180=720M. 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.
FGN— kto to stworzył?
Zostało opublikowane przez Google DeepMind, oparty na United States of America, organizacja sklasyfikowana jako industry.
FGN— kiedy to zostało wydane?
Zostało opublikowane w June 2025.
FGN— do czego to służy?
Działa w dziedzinie Earth science, i jest zarejestrowany jako realizujący zadanie weather forecasting. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
FGN— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 9.6 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako Google TPU v5p,Google TPU v6e Trillium. 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.
FGN— 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.
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.