Conformer

Uzavřené váhy Google 118.8M parametry May 2020

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
Google
Typ organizace
Industry
Země
United States of America
Publikováno
16 May 2020
Autoři
Anmol Gulati, James Qin, Chung-Cheng Chiu, Niki Parmar, Yu Zhang, Jiahui Yu, Wei Han, Shibo Wang, Zhengdong Zhang, Yonghui Wu, Ruoming Pang

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména
Speech
Úkol
Speech recognition (ASR)

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry
118.8M

118.8M for Conformer(L)

Výcviková data
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
Unreleased

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Proč je to sledováno
Highly cited,SOTA improvement

"Conformer significantly outperforms the previous Transformer and CNN based models achieving state-of-the-art accuracies. On the widely used LibriSpeech benchmark, our model achieves WER of 2.1%/4.3% without using a language model and 1.9%/3.9% with an external language model on test/testother"

Záznam důvěry
Confident
Citace
4,054

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
Conformer: Convolution-augmented Transformer for Speech Recognition
Nap poslední aktualizace
25 May 2026

Co čísla znamenají

Co je tento MODEL

Conformer byl zveřejněn Google, v zemi zaznamenané jako United States of America, během May 2020. Vychází z organizace, která je kategorizována jako industry.

funguje v oblasti Speech, a je zaznamenán jako vykonávající úkol speech recognition (ASR).

Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.

Co bylo zapotřebí k jeho vybudování

Jeho kritérium zahrnutí: highly cited,SOTA improvement.

Odpovědi

Conformer — běžné otázky

01

Conformer— Kdo to vytvořil?

Bylo to publikováno společností Google, zakládající se na United States of America, organizace zařazená jako industry.

02

Conformer— Kdy byl vydán?

Bylo to zveřejněno v May 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

03

Conformer— K čemu se to používá?

funguje v oblasti Speech, a je zaznamenáno jako zpracovávající úkol speech recognition (ASR). Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.

04

Conformer— 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.

05

Conformer— Je to OPEN SOURCE?

Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.

06

Conformer— kolik má parametrů?

Má počet parametrů 118.8M. 118.8M for Conformer(L). Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 25 May 2026

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.