ERNIE-ViLG
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
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
- Baidu
- Organisationsart
- Industry
- Land
- China
- Veröffentlicht
- 31 December 2021
- Autoren
- Han Zhang, Weichong Yin, Yewei Fang, Lanxin Li, Boqiang Duan, Zhihua Wu, Yu Sun, Hao Tian, Hua Wu, Haifeng Wang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Multimodal, Image generation, Vision, Language
- Aufgabe
- Vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering
- Ansatz
- Self-supervised learning
- 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.
- Parameter
- 10B
- Trainingsdaten
- tokens
"To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs."
To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.
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
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Unreleased
it seems that the model was completely substituted by its successor ViLG 2.0 - I haven't found niether model weights nor code or API.
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Grundmodell
- Yes
- Warum es verfolgt wird
- SOTA improvement
- Zitationen
- 70
"we train a 10-billion parameter ERNIE-ViLG model on a large-scale dataset of 145 million (Chinese) image-text pairs which achieves state-of-the-art performance for both text-to-image and image-to-text tasks" "chieves state-of-the-art performance for both text-to-image and image-to-text tasks, obtaining an FID of 7.9 on MS-COCO for text-to-image synthesis and best results on COCO-CN and AIC-ICC for image captioning"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- ERNIE-ViLG: Unified Generative Pre-training for Bidirectional Vision-Language Generation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
ERNIE-ViLG wurde veröffentlicht von Baidu, im Land aufgezeichnet als China, während December 2021. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Multimodal, Image generation, Vision, Language, und wird als die Aufgabe von aufgezeichnet vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
ERNIE-ViLG — Häufige Fragen
ERNIE-ViLG— Wer hat es erstellt?
Es wurde veröffentlicht von Baidu, basiert auf China, eine als kategorisierte Organisation industry.
ERNIE-ViLG— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in December 2021. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
ERNIE-ViLG— Wofür wird es verwendet?
Es funktioniert im Bereich von Multimodal, Image generation, Vision, Language, und wird als Bewältigung der Aufgabe von vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering. Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
ERNIE-ViLG— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
ERNIE-ViLG— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
ERNIE-ViLG— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 10B. "To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.". Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
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.