Cube-Space AutoEncoder
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
- MIT-IBM Watson AI Lab
- Typ organizace
- Academia,Industry
- Země
- United States of America
- Publikováno
- 27 April 2020
- Autoři
- Masataro Asai, Christian Muise
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Vision, Search
- Úkol
- Visual puzzles
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 4,243,600,000 tokens
"Finally, we tested Mandrill 15-puzzle, a significantly more challenging 4x4 variant of the sliding tile puzzle (Figure 1). We trained the network with more hyperparameter tuning it- erations (300) and a larger training set (50000). We gener- ated l = 14, 21 instances (20 each) and ran the system (Ta- ble 2, bottom right). "
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 1.1 × 10¹⁷ FLOP
- Jak bylo ustanoveno
- Hardware
(1) * (4113 * 10**9) * (24 * 3600) * (0.3) = 106608960000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = "For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80" 4.113 TFLOPS from https://www.techpowerup.com/gpu-specs/tesla-k80.c2616
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Tesla K80
- Používané čipy
- 1
- Čip-hodiny
- 24
- Doba reálného času
- 24 hours
- Příkon
- 337 W
"For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80"
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
- 56
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Pozadí
Cube-Space AutoEncoder byl zveřejněn MIT-IBM Watson AI Lab, v zemi zaznamenané jako United States of America, během April 2020. Vydavatelská organizace je kategorizována jako academia,Industry.
funguje v oblasti Vision, Search, a je zaznamenán jako vykonávající úkol visual puzzles.
Toto je uzavřený model: trénované hodnoty zůstaly u toho, kdo je vyprodukoval, a není k dispozici žádná místní verze k spuštění.
Trénink a původ
Trénování si vyžádalo výpočetní rozpočet přibližně 1.1 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K80. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 4,243,600,000 tokeny textu
Odpovědi
Cube-Space AutoEncoder — běžné otázky
Cube-Space AutoEncoder— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
Cube-Space AutoEncoder— Kdo to vytvořil?
Bylo to publikováno společností MIT-IBM Watson AI Lab, zakládající se na United States of America, organizace zařazená jako academia,Industry.
Cube-Space AutoEncoder— Kdy byl vydán?
Bylo to zveřejněno v April 2020. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Cube-Space AutoEncoder— K čemu se to používá?
funguje v oblasti Vision, Search, a je zaznamenáno jako zpracovávající úkol visual puzzles. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
Cube-Space AutoEncoder— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.1 × 10¹⁷ FLOP, na hardwaru zaznamenáno jako NVIDIA Tesla K80. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
Cube-Space AutoEncoder— 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.
Cube-Space AutoEncoder— 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.
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.