DeepStack
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
- University of Alberta,Charles University,Czech Technical University
- Typ organizace
- Academia,Academia,Academia
- Země
- Canada, Czechia
- Publikováno
- 6 January 2017
- Autoři
- Matej Moravčík, Martin Schmid, Neil Burch, Viliam Lisý, Dustin Morrill, Nolan Bard, Trevor Davis, Kevin Waugh, Michael Johanson, Michael Bowling
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Games
- Úkol
- Poker
- Číselný formát
- FP32
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 2.5M
- Výcviková data
- 25,380,000,000 tokens
Figure 3, p.9 source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389
"The turn network was trained by solving 10 million randomly generated poker turn games. These turn games used randomly generated ranges, public cards, and a random pot size (10)."
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
- 1.4 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Hardware
The largest source of compute necessary for training seems to be the data generation job on 20 GPUs. We count this towards the training compute because it requires simulation using the network. This is analogous to the AlphaGo systems simulating Go games. From p.26: "For the flop network, one million poker flop situations (from after the flop cards are dealt) were generated and solved. These situations were solved using DeepStack’s depth limited solver with the turn network used for the counter…
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Používané čipy
- 20
- Čip-hodiny
- 4,368
- Doba reálného času
- 218 hours (9.1 days)
from compute notes - around 9 days - half a year of GPU compute using 20 GPUs
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
- Speculative
- Citace
- 998
first human-competitive poker AI, confirmed by website: https://www.deepstack.ai/
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- DeepStack: Expert-Level Artificial Intelligence in No-Limit Poker
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
DeepStack byl zveřejněn University of Alberta,Charles University,Czech Technical University, v zemi zaznamenané jako Canada, během January 2017. Vychází z organizace, která je kategorizována jako academia,Academia,Academia.
funguje v oblasti Games, a je zaznamenán jako vykonávající úkol poker.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Co bylo zapotřebí k jeho vybudování
Trenovací běh spotřeboval asi 1.4 × 10¹⁹ FLOP. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 25,380,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: sOTA improvement.
Odpovědi
DeepStack — běžné otázky
DeepStack— kolik má parametrů?
Má počet parametrů 2.5M. Figure 3, p.9 source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
DeepStack— Kdo to vytvořil?
Bylo to publikováno společností University of Alberta,Charles University,Czech Technical University, zakládající se na Canada, organizace zařazená jako academia,Academia,Academia.
DeepStack— Kdy byl vydán?
Bylo to zveřejněno v January 2017. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
DeepStack— K čemu se to používá?
funguje v oblasti Games, a je zaznamenáno jako zpracovávající úkol poker. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DeepStack— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.4 × 10¹⁹ FLOP. 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.
DeepStack— 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.
DeepStack— 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.