RNNsearch-50*
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
- Jacobs University Bremen,University of Montreal / Université de Montréal
- Typ organizace
- Academia,Academia
- Země
- Germany, Canada
- Publikováno
- 1 September 2014
- Autoři
- D Bahdanau, K Cho, Y Bengio
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Translation
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 232,000,000 tokens
[WORDS] "WMT ’14 contains the following English-French parallel corpora: Europarl (61M words), news commentary (5.5M), UN (421M) and two crawled corpora of 90M and 272.5M words respectively, totaling 850M words. Following the procedure described in Cho et al. (2014a), we reduce the size of the combined corpus to have 348M words using the data selection method by Axelrod et al. (2011)."
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
- 1.6 × 10¹⁸ FLOP
- Jak bylo ustanoveno
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. 0.018 pfs-days (86400*10^15*0.018) 252 hours in a Quadro K-6000 GPU (assumed utilization: 0.33) 5196000000000 FLOP/s *252 hours * 3600 second/hour * 0.33 utilization = 1555200000000000000 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA Quadro K6000
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Frontier model
- Yes
- Proč je to sledováno
- Highly cited
- Záznam důvěry
- Confident
- Citace
- 29,415
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Neural Machine Translation by Jointly Learning to Align and Translate
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Pozadí
RNNsearch-50* byl zveřejněn Jacobs University Bremen,University of Montreal / Université de Montréal, v zemi zaznamenané jako Germany, během September 2014. Vychází z organizace, která je kategorizována jako academia,Academia.
funguje v oblasti Language, a je zaznamenán jako vykonávající úkol translation.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Trenovací běh spotřeboval asi 1.6 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA Quadro K6000. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Trénink spotřeboval korpus kolem 232,000,000 tokeny textu
Důvod, proč se to v tomto katalogu vůbec objevuje: highly cited.
Odpovědi
RNNsearch-50* — běžné otázky
RNNsearch-50*— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
RNNsearch-50*— Kdo to vytvořil?
Bylo to publikováno společností Jacobs University Bremen,University of Montreal / Université de Montréal, zakládající se na Germany, organizace zařazená jako academia,Academia.
RNNsearch-50*— Kdy byl vydán?
Bylo to zveřejněno v September 2014. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
RNNsearch-50*— K čemu se to používá?
funguje v oblasti Language, a je zaznamenáno jako zpracovávající úkol translation. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
RNNsearch-50*— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 1.6 × 10¹⁸ FLOP, na hardwaru zaznamenáno jako NVIDIA Quadro K6000. 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.
RNNsearch-50*— 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.
RNNsearch-50*— 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.