Demist-2
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
- Darktrace
- Typ organizacji
- Industry
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 17 April 2025
- Autorzy
- Miguel Neves Fonseca, Philip Sellars, Tim Bazalgette
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling/generation, Text classification, Question answering, Entity embedding
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 95M
- Dane treningowe
- 351,000,000,000 tokens
- Epoki
- 1.8
95M
C4: We extracted a 305 billion token subset URIs: We extracted the available URIs from several Common Crawl web scrapes. This allowed us to create a large corpus of 10 billion tokens. Linked Hostnames: Using the Common Crawl dataset, we extracted the observed links between web pages. <..> We further processed this data into rows of hostnames that shared linking properties which totaled 11 billion tokens. HTTP Data: 25 billion tokens. 305 + 10 + 11 + 25 = 351 b tokens "1.2 million optimization …
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
- 4.6 × 10²⁰ FLOP
- Jak to zostało ustalone
- Operation counting,Hardware
6 FLOP / parameter / token * 95 * 10^6 parameters * 351 * 10^9 tokens [see dataset size notes] *1.8 epochs = 3.60126e+20 FLOP 312000000000000 FLOP / GPU / sec [A100 reported] * 8 GPUs * 216 hours [9 days reported] * 3600 sec / hour * 0.3 [assumed utilization] = 5.8226688e+20 FLOP sqrt(3.60126e+20 * 5.8226688e+20) = 4.579186e+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 A100
- Zastosowane chipy
- 8
- Czas rzeczywisty
- 216 hours (9 days)
- Pobór mocy
- 6.3 kW
- Dostawca chmury
- AWS,Amazon Web Services
"DEMIST-2 was trained on 8 A100 GPUs over a nine-day period using the AWS Sagemaker platform." 9 days = 216 hours
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
- Hosted access (no API)
- 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
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DEMIST-2: Darktrace Embedding Model for Investigation of Security Threats
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
Demist-2 został opublikowany przez Darktrace, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas April 2025. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation, Text classification, Question answering, Entity embedding.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 4.6 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 351,000,000,000 Tokeny tekstu.
Odpowiedzi
Demist-2 — częste pytania
Demist-2— kto to stworzył?
Zostało opublikowane przez Darktrace, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako industry.
Demist-2— kiedy to zostało wydane?
Zostało opublikowane w April 2025.
Demist-2— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Text classification, Question answering, Entity embedding. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Demist-2— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.6 × 10²⁰ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. 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.
Demist-2— 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.
Demist-2— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Demist-2— ile ma parametrów?
Ma liczbę parametrów równą 95M. 95M. 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.