True-Regularization+Finetune+Dynamic-Eval
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
- Mobvoi,Williams College
- Typ organizace
- Industry,Academia
- Země
- China, United States of America
- Publikováno
- 8 April 2019
- Autoři
- Yangyang Shi, Mei-Yuh Hwang, Xin Lei, Haoyu Sheng
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Language modeling
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 7M
- Výcviková data
- 929,000 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
- SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 26
- Benchmark data
- True-Regularization+Finetune+Dynamic-Eval
"In the first experiment, the student model achieves state-of-the-art perplexity results on the Penn Treebank dataset [1] with a model size one third of that of the previously published best model"
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Knowledge Distillation For Recurrent Neural Network Language Modeling With Trust Regularization
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
True-Regularization+Finetune+Dynamic-Eval byl zveřejněn Mobvoi,Williams College, v zemi zaznamenané jako China, během April 2019. Vychází z organizace, která je kategorizována jako industry,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol language modeling.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Bylo to trénováno na korpusu asi 929,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
True-Regularization+Finetune+Dynamic-Eval — běžné otázky
True-Regularization+Finetune+Dynamic-Eval— Kdo to vytvořil?
Bylo to publikováno společností Mobvoi,Williams College, zakládající se na China, organizace zařazená jako industry,Academia.
True-Regularization+Finetune+Dynamic-Eval— 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.
True-Regularization+Finetune+Dynamic-Eval— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol language modeling. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
True-Regularization+Finetune+Dynamic-Eval— 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.
True-Regularization+Finetune+Dynamic-Eval— Je to OPEN SOURCE?
Ne. Jeho váhy nebyly zveřejněny, takže existuje pouze jako služba řízená jeho vlastníkem.
True-Regularization+Finetune+Dynamic-Eval— kolik má parametrů?
Má počet parametrů 7M. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
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.