Discriminator Guidance
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Korea Advanced Institute of Science and Technology (KAIST),NAVER
- Organisationsart
- Academia,Industry
- Land
- Korea (Republic of)
- Veröffentlicht
- 28 November 2022
- Autoren
- Dongjun Kim, Yeongmin Kim, Se Jung Kwon, Wanmo Kang, Il-Chul Moon
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Image generation
- Aufgabe
- Image generation
- Numerisches Format
- FP16
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- 327,978,752 tokens
- Epochen
- 10
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 2.2 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
481 hours * 312 TFLOPS (A100) * 40% utilization
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA A100 PCIe
- Wand-Uhrzeit
- 481 hours (20 days)
- Rechenkosten
- $338
Table 6
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (non-commercial)
- Training-Code
- Open (non-commercial)
https://github.com/alsdudrla10/DG Attribution-NonCommercial-ShareAlike 4.0 International checkpoints and train code here: https://github.com/alsdudrla10/DG/blob/main/README.md
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 110
"Using our algorithm, we achive state-of-the-art results on ImageNet 256x256 with FID 1.83 and recall 0.64, similar to the validation data's FID (1.68) and recall (0.66)." https://paperswithcode.com/paper/refining-generative-process-with
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Refining Generative Process with Discriminator Guidance in Score-based Diffusion Models
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
Discriminator Guidance wurde veröffentlicht von Korea Advanced Institute of Science and Technology (KAIST),NAVER, im Land aufgezeichnet als Korea (Republic of), während November 2022. Die veröffentlichende Organisation ist als academia,Industry.
Es funktioniert im Bereich von Image generation, und wird als die Aufgabe von aufgezeichnet image generation.
Das Offen-Wiegen ist es, was diese Seite in den Rechner anstatt nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann.
Training und Herkunft
Der Trainingslauf verbrauchte etwa 2.2 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA A100 PCIe. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 327,978,752 Text-Tokens
Das Einschlusskriterium: sOTA improvement.
Antworten
Discriminator Guidance — Häufige Fragen
Discriminator Guidance— Wofür wird es verwendet?
Es funktioniert im Bereich von Image generation, und wird als Bewältigung der Aufgabe von image generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Discriminator Guidance— Wo kann ich es herunterladen?
Die Gewichte sind veröffentlicht, obwohl wir keinen Repository-Link dafür haben. Diese Seite berechnet die Hardware-Anforderungen, anstatt Modell-Dateien zu hosten.
Discriminator Guidance— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.2 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA A100 PCIe. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
Discriminator Guidance— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
Discriminator Guidance— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
Discriminator Guidance— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
Discriminator Guidance— Wer hat es erstellt?
Es wurde veröffentlicht von Korea Advanced Institute of Science and Technology (KAIST),NAVER, basiert auf Korea (Republic of), eine als kategorisierte Organisation academia,Industry.
Discriminator Guidance— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in November 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.