DeepNash
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- DeepMind
- Typ organizace
- Industry
- Země
- United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 1 December 2022
- Autoři
- Julien Perolat, Bart de Vylder, Daniel Hennes, Eugene Tarassov, Florian Strub, Vincent de Boer, Paul Muller, Jerome T. Connor, Neil Burch, Thomas Anthony, Stephen McAleer, Romuald Elie, Sarah H. Cen, Zhe Wang, Audrunas Gruslys, Aleksandra Malysheva, Mina Khan, Sherjil Ozair, Finbarr Timbers, Toby Pohlen, Tom Eccles, Mark Rowland, Marc Lanctot, Jean-Baptiste Lespiau, Bilal Piot, Shayegan Omidshafie…
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Games
- Úkol
- Stratego
- Přístup
- Reinforcement learning
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Tréninková data
- 2,109,703,680,000 tokens
768 * 7.21M trajectories? (Table S1) 768 * 7.21M = 5,537,280,000 https://www.science.org/doi/suppl/10.1126/science.add4679/suppl_file/science.add4679_sm.pdf
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
the training code used to be here but not anymore https://github.com/google-deepmind/open_spiel/tree/master/open_spiel/python/algorithms/rnad
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- SOTA improvement
- Záznam důvěry
- Unknown
- Citace
- 245
DeepNash beat existing state-of-the-art AI methods in Stratego and achieved a year-to-date (2022) and all-time top-three ranking on the Gravon games platform, competing with human expert players.
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Mastering the game of Stratego with model-free multiagent reinforcement learning
- Naposledy aktualizováno
- 1 January 2026
Co čísla znamenají
Pozadí
DeepNash was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in December 2022. It comes out of industry.
It works in Games, and is recorded as doing stratego.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Jak byla trénována
It was trained on about 2,109,703,680,000 tokens of text.
The reason it appears in this catalogue at all is sOTA improvement.
Odpovědi
DeepNash — Časté dotazy
What is DeepNash used for?
DeepNash pracuje ve hrách a je zaznamenán jako zvládající stratego. Tyto oblasti jsou navrženy kolem; popisují záměr spíše než tvrdou hranici.
What GPU do I need to run DeepNash?
None. DeepNash 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 DeepNash open source?
No. DeepNash has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DeepNash have?
No parameter count has been published for DeepNash, which is why no memory or speed figure appears on this page.
Who created DeepNash?
DeepNash was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was DeepNash released?
DeepNash was published in December 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.