VASA-1
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
- Microsoft Research Asia
- Typ organizacji
- Industry
- Kraj
- China
- Opublikowany
- 31 October 2024
- Autorzy
- Sicheng Xu, Guojun Chen, Yu-Xiao Guo, Jiaolong Yang, Chong Li, Zhenyu Zang, Yizhong Zhang, Xin Tong, Baining Guo
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Video, Audio
- Zadanie
- Video generation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 229M
- Dane treningowe
- tokens
"The parameter counts of our 3D-aided face latent model and diffusion transformer model are about 200M and 29M respectively"
"The total data used for training comprises approximately 500K clips, each lasting between 2 to 10 seconds. "
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 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware
38700000000000 FLOP/GPU/sec * 240 hours * 3600 sec / hour * 4 GPUs * 0.3 [assumed utilization] = 40124160000000000000 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 RTX A6000
- Zastosowane chipy
- 4
- Czas rzeczywisty
- 240 hours (10 days)
- Pobór mocy
- 2.4 kW
"Our face latent model takes around 7 days of training on a 4 NVIDIA RTX A6000 GPUs workstation, and the diffusion transformer takes around 3 days." 10 days = 240 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
- 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
- VASA-1: Lifelike Audio-Driven Talking Faces Generated in Real Time
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
VASA-1 został opublikowany przez Microsoft Research Asia, w kraju zapisanym jako China, podczas October 2024. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Video, Audio, i jest zapisany jako wykonujący zadanie video generation.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 4 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
VASA-1 — częste pytania
VASA-1— kiedy to zostało wydane?
Zostało opublikowane w October 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
VASA-1— do czego to służy?
Działa w dziedzinie Video, Audio, i jest zarejestrowany jako realizujący zadanie video generation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
VASA-1— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000. 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.
VASA-1— 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.
VASA-1— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
VASA-1— ile ma parametrów?
Ma liczbę parametrów równą 229M. "The parameter counts of our 3D-aided face latent model and diffusion transformer model are about 200M and 29M respectively". 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.
VASA-1— kto to stworzył?
Zostało opublikowane przez Microsoft Research Asia, oparty na China, organizacja sklasyfikowana jako industry.
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.