Perceiver IO (optical flow)
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
- DeepMind
- Organisationsart
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 8 February 2020
- Autoren
- Andrew Jaegle, Sebastian Borgeaud, Jean-Baptiste Alayrac, Carl Doersch, Catalin Ionescu, David Ding, Skanda Koppula, Daniel Zoran, Andrew Brock, Evan Shelhamer, Olivier Hénaff, Matthew M. Botvinick, Andrew Zisserman, Oriol Vinyals, João Carreira
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Multimodal, Language, Vision
- Aufgabe
- Language modeling/generation, Image captioning
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
- 27.9M
- Trainingsdaten
- 146,022,400,000 tokens
- Epochen
- 480
Optical flow model (SOTA) was 27.9M params. There are other, larger models described in this paper, e.g. for language. "For the pixel- and patch-based models, total computational complexity for a forward pass on a 368 × 496 image is roughly 987 billion FLOPs, and there are roughly 27.9 million parameters."
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
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
- 816
"Perceiver IO... achieves state-of-the-art performance on Sintel optical flow estimation"
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Perceiver IO: A General Architecture for Structured Inputs & Outputs
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
Perceiver IO (optical flow) wurde veröffentlicht von DeepMind, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während February 2020. Die veröffentlichende Organisation ist als industry.
Es funktioniert im Bereich von Multimodal, Language, Vision, und wird als die Aufgabe von aufgezeichnet language modeling/generation, Image captioning.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Was in den Aufbau geflossen ist
Der Trainingssatz lief auf etwa 146,022,400,000 Text-Tokens
Der Grund, warum es überhaupt in diesem Katalog erscheint: sOTA improvement.
Antworten
Perceiver IO (optical flow) — Häufige Fragen
Perceiver IO (optical flow)— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
Perceiver IO (optical flow)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 27.9M. Optical flow model (SOTA) was 27.9M params. There are other, larger models described in this paper, e.g. for language. "For the pixel- and patch-based models, total computational complexity for a forward pass on a 368 × 496 image is roughly 987 billion FLOPs, and there are roughly 27.9 million parameters.". 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.
Perceiver IO (optical flow)— Wer hat es erstellt?
Es wurde veröffentlicht von DeepMind, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation industry.
Perceiver IO (optical flow)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in February 2020. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Perceiver IO (optical flow)— Wofür wird es verwendet?
Es funktioniert im Bereich von Multimodal, Language, Vision, und wird als Bewältigung der Aufgabe von language modeling/generation, Image captioning. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
Perceiver IO (optical flow)— 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.
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.