SqueezeBERT
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 California (UC) Berkeley
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 10 June 2020
- Autoři
- Forrest N. Iandola, Albert E. Shaw, Ravi Krishna, Kurt W. Keutzer
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Text autocompletion
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 51.1M
- Výcviková data
- tokens
Rados
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Citace
- 140
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- SqueezeBERT: What can computer vision teach NLP about efficient neural networks?
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
SqueezeBERT byl zveřejněn University of California (UC) Berkeley, v zemi zaznamenané jako United States of America, během June 2020. Vychází z organizace, která je kategorizována jako academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol text autocompletion.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Odpovědi
SqueezeBERT — běžné otázky
SqueezeBERT— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
SqueezeBERT— kolik má parametrů?
Má počet parametrů 51.1M. Rados. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
SqueezeBERT— Kdo to vytvořil?
Bylo to publikováno společností University of California (UC) Berkeley, zakládající se na United States of America, organizace zařazená jako academia.
SqueezeBERT— Kdy byl vydán?
Bylo to zveřejněno v June 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
SqueezeBERT— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol text autocompletion. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
SqueezeBERT— 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.
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.