3-Layer-Tensor-Transformer+AdaHessian
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,NERSC, Lawrence Berkeley National Laboratory
- Typ organizace
- Academia,Government
- Země
- United States of America
- Publikováno
- 1 June 2020
- Autoři
- Zhewei Yao, Amir Gholami, Sheng Shen, Mustafa Mustafa, Kurt Keutzer, Michael W. Mahoney
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling, Translation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- tokens
- Epochy
- 30
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. doesn't have training script for PTB but looks fairly adaptable: https://github.com/amirgholami/ADAHESSIAN
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 365
- Benchmark data
- 3-Layer-Tensor-Transformer+AdaHessian
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
3-Layer-Tensor-Transformer+AdaHessian byl zveřejněn University of California (UC) Berkeley,NERSC, Lawrence Berkeley National Laboratory, v zemi zaznamenané jako United States of America, během June 2020. Vydavatelská organizace je kategorizována jako academia,Government.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling, Translation.
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Odpovědi
3-Layer-Tensor-Transformer+AdaHessian — běžné otázky
3-Layer-Tensor-Transformer+AdaHessian— 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.
3-Layer-Tensor-Transformer+AdaHessian— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
3-Layer-Tensor-Transformer+AdaHessian— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
3-Layer-Tensor-Transformer+AdaHessian— Kdo to vytvořil?
Bylo to publikováno společností University of California (UC) Berkeley,NERSC, Lawrence Berkeley National Laboratory, zakládající se na United States of America, organizace zařazená jako academia,Government.
3-Layer-Tensor-Transformer+AdaHessian— 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.
3-Layer-Tensor-Transformer+AdaHessian— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling, Translation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
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.