BERT-Large-CAS (WT103)
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
- Amazon
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 20 April 2019
- Autoři
- Chenguang Wang, Mu Li, Alexander J. Smola
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Neural Architecture Search - NAS, Language modeling
- Základní model
- BERT-Large
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 340M
- Výcviková data
- 103,000,000 tokens
- Epochy
- 50
Taken from Bert paper.
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 (non-commercial)
code, no license specified: https://github.com/cgraywang/gluon-nlp-1/tree/lmtransformer/scripts/language_model
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
- 139
- Benchmark data
- BERT-Large-CAS (WT103)
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Language Models with Transformers
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
BERT-Large-CAS (WT103) byl zveřejněn Amazon, v zemi zaznamenané jako United States of America, během April 2019. Vychází z organizace, která je kategorizována jako industry.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol neural Architecture Search - NAS, Language modeling.
Jeho výchozím bodem byl existující základní model, BERT-Large. To je důvod, proč sdílí obecný tvar a velikost základního modelu.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Tréninková sada běžela na přibližně 103,000,000 tokeny textu
Odpovědi
BERT-Large-CAS (WT103) — běžné otázky
BERT-Large-CAS (WT103)— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
BERT-Large-CAS (WT103)— kolik má parametrů?
Má počet parametrů 340M. Taken from Bert paper. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
BERT-Large-CAS (WT103)— Kdo to vytvořil?
Bylo to publikováno společností Amazon, zakládající se na United States of America, organizace zařazená jako industry.
BERT-Large-CAS (WT103)— Kdy byl vydán?
Bylo to zveřejněno v April 2019. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
BERT-Large-CAS (WT103)— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol neural Architecture Search - NAS, Language modeling. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
BERT-Large-CAS (WT103)— 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.