Demist-2
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie 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
- Opublikowane
- 17 April 2025
- Autorzy
- Miguel Neves Fonseca, Philip Sellars, Tim Bazalgette
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Language
- Zadanie
- Language modeling/generation, Text classification, Question answering, Entity embedding
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. 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 szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 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
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Sprzęt szkoleniowy
- NVIDIA A100
- Chips użyte
- 8
- Wall-clock time
- 216 hours (9 days)
- Pobór mocy
- 6.3 kW
- Cloud vendor
- 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 własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Hosted access (no API)
- Kod treningowy
- Unreleased
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Zaufanie do nagrania
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DEMIST-2: Darktrace Embedding Model for Investigation of Security Threats
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
Skąd to przyszło
Demist-2 was published by Darktrace, in United Kingdom of Great Britain and Northern Ireland, in April 2025. The organisation is categorised as industry.
It works in Language, and is recorded as doing language modeling/generation, Text classification, Question answering, Entity embedding.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Training and provenance
Training it took roughly 4.6 × 10²⁰ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
Around 351,000,000,000 tokens went into training it.
Odpowiedzi
Demist-2 — Często zadawane pytania
Who created Demist-2?
Demist-2 was published by Darktrace, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was Demist-2 released?
Demist-2 was published in April 2025.
What is Demist-2 used for?
Demist-2 works in Language, and is recorded as handling language modeling/generation, Text classification, Question answering, Entity embedding. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Demist-2?
Around 4.6 × 10²⁰ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Demist-2?
None. Demist-2 is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is Demist-2 open source?
No. Demist-2 has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Demist-2 have?
Demist-2 has 95M parameters. 95M. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..