NVLM-H 72B
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
- NVIDIA
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 22 October 2024
- Autorzy
- Wenliang Dai, Nayeon Lee, Boxin Wang, Zhuolin Yang, Zihan Liu, Jon Barker, Tuomas Rintamaki, Mohammad Shoeybi, Bryan Catanzaro, Wei Ping
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision, Language
- Zadanie
- Language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning
- Model bazowy
- Qwen2-72B,InternViT-6B
- Format numeryczny
- BF16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 72B
- Dane treningowe
- 125,829,120,000 tokens
- Epoki
- 1
72B
Pre-training: Global batch size 2,048 Sequence length in the LLM decoder 512 Downsampling of visual tokens 1024->256 # of visual token per tile 256 # of tiles 6+1 # of training steps 20K 2048 * (512+256*7) * 20000 = 94,371,840,000 SFT: Global batch size 256 Sequence length in the LLM decoder 1,280 # of visual token per tile 256 # of tiles 6+1 # of training steps 40K 256*(1280+256*7)*40000 = 31,457,280,000 94,371,840,000 + 31,457,280,000 = 125,829,120,000
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
- 3 × 10²⁴ FLOP
- Jak to zostało ustalone
- Operation counting
- Dostosowywanie obliczeń
- 5.4 × 10²² FLOP
Additional compute in this paper is negligible relative to the compute used to train the language model backbone (Qwen2-72B at 3.02e24 FLOP)
6ND = 6*125,829,120,000*72000000000.00 = 5.436e22
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA H100 SXM5 80GB
- Zastosowane chipy
- 128
- Pobór mocy
- 176.4 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.
- Prawdopodobnie powyżej 10²³ FLOP
- Yes
- Dlaczego to jest śledzone
- Training cost
- Zapisz pewność
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- NVLM: Open Frontier-Class Multimodal LLMs
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
NVLM-H 72B został opublikowany przez NVIDIA, w kraju zapisanym jako United States of America, podczas October 2024. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Vision, Language, i jest zapisany jako wykonujący zadanie language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning.
Zamiast być trenowanym od podstaw, pochodzi z Qwen2-72B,InternViT-6B. To jest zwykły sposób produkcji wyspecjalizowanego modelu.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Trenowanie zajęło budżet obliczeniowy wynoszący około 3 × 10²⁴ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 125,829,120,000 Tokeny tekstu.
Jest śledzone w podstawowym zbiorze danych z jednego szczególnego powodu: training cost.
Odpowiedzi
NVLM-H 72B — częste pytania
NVLM-H 72B— kto to stworzył?
Zostało opublikowane przez NVIDIA, oparty na United States of America, organizacja sklasyfikowana jako industry.
NVLM-H 72B— 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.
NVLM-H 72B— do czego to służy?
Działa w dziedzinie Vision, Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation, Vision-language generation, Question answering, Code generation, Translation, Quantitative reasoning. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
NVLM-H 72B— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3 × 10²⁴ FLOP, na sprzęcie zarejestrowanym jako NVIDIA H100 SXM5 80GB. 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.
NVLM-H 72B— 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.
NVLM-H 72B— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
NVLM-H 72B— ile ma parametrów?
Ma liczbę parametrów równą 72B. 72B. 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.