Discriminator Guidance
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Das Gewicht dieses Modells ist offen zugänglich, aber keine Parameteranzahl wurde dafür veröffentlicht. Jede Speicher- und Geschwindigkeitsangabe basiert auf dieser Zahl, daher möchten wir lieber nichts anzeigen als eine gefälschte Schätzung..
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Korea Advanced Institute of Science and Technology (KAIST),NAVER
- Organisationstyp
- 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 von jedem tragen.
- Domäne
- Image generation
- Aufgabe
- Image generation
- Numerical format
- FP16
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- 327,978,752 tokens
- Epochen
- 10
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 2.2 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
481 hours * 312 TFLOPS (A100) * 40% utilization
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA A100 PCIe
- Wand-Uhrzeit
- 481 hours (20 days)
- Rechenkosten
- $338
Table 6
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (non-commercial)
- Trainingscode
- 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 der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Warum es nachverfolgt wird
- SOTA improvement
- Aufzeichnungszuversicht
- 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 diese Aufzeichnung stammt und wann sie 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 was published by Korea Advanced Institute of Science and Technology (KAIST),NAVER, in Korea (Republic of), in November 2022. The organisation is categorised as academia,Industry.
It works in Image generation, and is recorded as doing image generation.
Das Offensein der Gewichte ist es, was diese Seite in den Rechner und nicht nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann.
Training und Herkunft
The training run consumed about 2.2 × 10²⁰ FLOP, on NVIDIA A100 PCIe. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 327,978,752 tokens went into training it.
Its inclusion criterion is sOTA improvement.
Antworten
Discriminator Guidance — Häufig gestellte Fragen
What is Discriminator Guidance used for?
Discriminator Guidance works in Image generation, and is recorded as handling image generation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Where can I download Discriminator Guidance?
The weights for Discriminator Guidance are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train Discriminator Guidance?
Around 2.2 × 10²⁰ FLOP, on NVIDIA A100 PCIe. 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.
What GPU do I need to run Discriminator Guidance?
We cannot say. Discriminator Guidance has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is Discriminator Guidance open source?
Its weights are published, so Discriminator Guidance can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does Discriminator Guidance have?
No parameter count has been published for Discriminator Guidance, which is why no memory or speed figure appears on this page.
Who created Discriminator Guidance?
Discriminator Guidance was published by Korea Advanced Institute of Science and Technology (KAIST),NAVER, based in Korea (Republic of), categorised as academia,Industry.
When was Discriminator Guidance released?
Discriminator Guidance was published in November 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.