Apollo 3B
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
- Meta AI,Stanford University
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America
- Opublikowany
- 13 December 2024
- Autorzy
- Orr Zohar, Xiaohan Wang, Yann Dubois, Nikhil Mehta, Tong Xiao, Philippe Hansen-Estruch, Licheng Yu, Xiaofang Wang, Felix Juefei-Xu, Ning Zhang, Serena Yeung-Levy, Xide Xia
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Video, Language, Multimodal
- Zadanie
- Video description
- Model bazowy
- SigLIP 400M,Qwen2.5-3B
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 3B
- Dane treningowe
- tokens
"We employed the Qwen2.5 (Yang et al., 2024) series of Large Language Models (LLMs) at varying scales to serve as the backbone for Apollo. Specifically, we utilized models with 1.5B, 3B, and 7B parameters. Following our analysis in Sec. 4, we used a SigLIP-SO400M (Zhai et al., 2023) encoder combined with an InternVideo2 (Wang et al., 2024d) video encoder" there is a confusion with Qwen2.5 link - it points to Qwen 2 paper instead of Qwen 2.5 release notes
1. Alignment: In this phase, we trained on a 198K mixture of 50/50 image and video captions. 2. Vision Pretraining: We tuned the encoders using a video-only caption dataset of 396K samples. 3. Supervised Fine-tuning (SFT): We trained on a mixture of text, image, multi-image, and video data, with a total of 3.2 million samples. 3200000 videos *36%*~40 sec*~128 tokens / sec = 5898240000 video tokens during SFT assuming about the same amount of image and text tokens. total size of the dataset was…
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
- 128
- Pobór mocy
- 100.7 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
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Apollo: An Exploration of Video Understanding in Large Multimodal Models
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
Apollo 3B został opublikowany przez Meta AI,Stanford University, w kraju zapisanym jako United States of America, podczas December 2024. Organizacja publikująca jest klasyfikowana jako industry,Academia.
Działa w dziedzinie Video, Language, Multimodal, i jest zapisany jako wykonujący zadanie video description.
Opiera się na SigLIP 400M,Qwen2.5-3B. Większość modeli w tej skali jest dostosowywana z istniejącej bazy, a nie tworzona od zera.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Odpowiedzi
Apollo 3B — częste pytania
Apollo 3B— kto to stworzył?
Zostało opublikowane przez Meta AI,Stanford University, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
Apollo 3B— kiedy to zostało wydane?
Zostało opublikowane w December 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Apollo 3B— do czego to służy?
Działa w dziedzinie Video, Language, Multimodal, i jest zarejestrowany jako realizujący zadanie video description. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Apollo 3B— 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.
Apollo 3B— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
Apollo 3B— ile ma parametrów?
Ma liczbę parametrów równą 3B. "We employed the Qwen2.5 (Yang et al., 2024) series of Large Language Models (LLMs) at varying scales to serve as the backbone for Apollo. Specifically, we utilized models with 1.5B, 3B, and 7B parameters. Following our analysis in Sec. 4, we used a SigLIP-SO400M (Zhai et al., 2023) encoder combined with an InternVideo2 (Wang et al., 2024d) video encoder" there is a confusion with Qwen2.5 link - it points to Qwen 2 paper instead of Qwen 2.5 release notes. 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.