RNN + char4-MS-vec
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu nebyly publikovány, takže jej nelze stáhnout ani spustit na vlastním hardwaru v jakékoli velikosti. Je dostupný pouze prostřednictvím svého poskytovatele a žádná grafická karta to nezmění..
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- NTT Communication Science Laboratories,Tohoku University
- Typ organizace
- Industry,Academia
- Země
- Japan
- Publikováno
- 17 July 2019
- Autoři
- Sho Takase, Jun Suzuki, Masaaki Nagata
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Parametry
- 226M
- Tréninková data
- tokens
226M
size of WT103
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Tréninkové hardwarové zařízení
- NVIDIA Tesla P100 PCIe 16GB
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Closed — provider access only
- Přístup k modelu
- Unreleased
- Tréninkový kód
- Unreleased
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Záznam důvěry
- Confident
- Citace
- 26
- Benchmarková data
- RNN + char4-MS-vec
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Character n-Gram Embeddings to Improve RNN Language Models
- Naposledy aktualizováno
- 28 November 2025
Co čísla znamenají
O tomto modelu
RNN + char4-MS-vec was published by NTT Communication Science Laboratories,Tohoku University, in Japan, in July 2019. The organisation is categorised as industry,Academia.
It works in Language, and is recorded as doing language modeling.
Jeho váhy nikdy nebyly zveřejněny, takže je možné ho dosáhnout pouze prostřednictvím jeho poskytovatele. Žádná grafická karta to nezmění.
Odpovědi
RNN + char4-MS-vec — Časté dotazy
Is RNN + char4-MS-vec open source?
No. RNN + char4-MS-vec has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RNN + char4-MS-vec have?
RNN + char4-MS-vec has 226M parameters. 226M. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created RNN + char4-MS-vec?
RNN + char4-MS-vec was published by NTT Communication Science Laboratories,Tohoku University, based in Japan, categorised as industry,Academia.
When was RNN + char4-MS-vec released?
RNN + char4-MS-vec was published in July 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is RNN + char4-MS-vec used for?
RNN + char4-MS-vec works in Language, and is recorded as handling language modeling. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run RNN + char4-MS-vec?
None. RNN + char4-MS-vec is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.