Word2Vec (large)
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
- Typ organizace
- Industry
- Země
- United States of America
- Publikováno
- 16 October 2013
- Autoři
- T Mikolov, I Sutskever, K Chen, GS Corrado
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Language
- Úkol
- Semantic embedding
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
- 692M
- Tréninková data
- 330,000,000,000 tokens
We discarded from the vocabulary all words that occurred less than 5 times in the training data, which resulted in a vocabulary of size 692K
"we increased the amount of the training data by using a dataset with about 33 billion words"
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 3.9 × 10¹⁶ FLOP
- Jak bylo založeno
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. "less than 0.00045 pfs days" (86400*10^15*0.00045)
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to bralo ze zásuvky.
- Wall-clock time
- 24 hours
Table 5 appears to call the model "Skip-Phrase" and says it took 1 day
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Proč je to sledováno
- Highly cited
- Záznam důvěry
- Likely
- Citace
- 35,201
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Distributed Representations of Words and Phrases and their Compositionality
- Naposledy aktualizováno
- 25 May 2026
Co čísla znamenají
O tomto modelu
Word2Vec (large) was published by Google, in United States of America, in October 2013. The organisation is categorised as industry.
It works in Language, and is recorded as doing semantic embedding.
Toto je uzavřený model: vyškolené hodnoty zůstaly u toho, kdo je vyprodukoval, a není zde žádná lokální verze k provozování.
Trénink a původ
Producing it required around 3.9 × 10¹⁶ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
Around 330,000,000,000 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: highly cited.
Odpovědi
Word2Vec (large) — Časté dotazy
What GPU do I need to run Word2Vec (large)?
None. Word2Vec (large) 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.
Is Word2Vec (large) open source?
The licensing for Word2Vec (large) was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Word2Vec (large) have?
Word2Vec (large) has 692M parameters. We discarded from the vocabulary all words that occurred less than 5 times in the training data, which resulted in a vocabulary of size 692K. 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 Word2Vec (large)?
Word2Vec (large) was published by Google, based in United States of America, categorised as industry.
When was Word2Vec (large) released?
Word2Vec (large) was published in October 2013. 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 Word2Vec (large) used for?
Word2Vec (large) works in Language, and is recorded as handling semantic embedding. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train Word2Vec (large)?
Around 3.9 × 10¹⁶ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
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.