retrieval-quality-kNN-LMs
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- University of Massachusetts Amherst
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 28 October 2022
- Autoři
- Andrew Drozdov, Shufan Wang, Razieh Rahimi, Andrew McCallum, Hamed Zamani, Mohit Iyyer
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
- Základní model
- Base LM + kNN LM + Continuous Cache
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 247M
- Výcviková data
- 103,000,000 tokens
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Open source
MIT for code: https://github.com/iesl/knnlm-retrieval-quality
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Citace
- 15
- Benchmark data
- retrieval-quality-kNN-LMs
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- You can’t pick your neighbors, or can you? When and how to rely on retrieval in the kNN-LM
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
retrieval-quality-kNN-LMs byl zveřejněn University of Massachusetts Amherst, v zemi zaznamenané jako United States of America, během October 2022. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Jeho výchozím bodem byl existující základní model, Base LM + kNN LM + Continuous Cache. To je důvod, proč sdílí obecný tvar a velikost základního modelu.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Jak bylo trénováno
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Odpovědi
retrieval-quality-kNN-LMs — běžné otázky
retrieval-quality-kNN-LMs— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
retrieval-quality-kNN-LMs— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
retrieval-quality-kNN-LMs— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
retrieval-quality-kNN-LMs— kolik má parametrů?
Má počet parametrů 247M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
retrieval-quality-kNN-LMs— Kdo to vytvořil?
Bylo to publikováno společností University of Massachusetts Amherst, zakládající se na United States of America, organizace zařazená jako academia.
retrieval-quality-kNN-LMs— Kdy byl vydán?
Bylo to zveřejněno v October 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.