Tensor-Transformer(1core)+PN (PTB)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
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
- University of California (UC) Berkeley
- Organisationstyp
- Academia
- Land
- United States of America
- Veröffentlicht
- 17 March 2020
- Autoren
- Sheng Shen, Zhewei Yao, Amir Gholami, Michael W. Mahoney, Kurt Keutzer
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Language
- Aufgabe
- Language modeling, Translation
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
- tokens
- Epochen
- 30
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
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
repo, only code for translation: https://github.com/sIncerass/powernorm
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
- Benchmark data
- Tensor-Transformer(1core)+PN (PTB)
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- PowerNorm: Rethinking Batch Normalization in Transformers
- Zuletzt aktualisiert
- 11 February 2026
Was die Zahlen bedeuten
Hintergrund
Tensor-Transformer(1core)+PN (PTB) was published by University of California (UC) Berkeley, in United States of America, in March 2020. It comes out of academia.
It works in Language, and is recorded as doing language modeling, Translation.
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Antworten
Tensor-Transformer(1core)+PN (PTB) — Häufig gestellte Fragen
Is Tensor-Transformer(1core)+PN (PTB) open source?
No. Tensor-Transformer(1core)+PN (PTB) has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Tensor-Transformer(1core)+PN (PTB) have?
No parameter count has been published for Tensor-Transformer(1core)+PN (PTB), which is why no memory or speed figure appears on this page.
Who created Tensor-Transformer(1core)+PN (PTB)?
Tensor-Transformer(1core)+PN (PTB) was published by University of California (UC) Berkeley, based in United States of America, categorised as academia.
When was Tensor-Transformer(1core)+PN (PTB) released?
Tensor-Transformer(1core)+PN (PTB) was published in March 2020. 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 Tensor-Transformer(1core)+PN (PTB) used for?
Tensor-Transformer(1core)+PN (PTB) works in Language, and is recorded as handling language modeling, Translation. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run Tensor-Transformer(1core)+PN (PTB)?
None. Tensor-Transformer(1core)+PN (PTB) 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.
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.