Innervator
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
- Stanford University,California Institute of Technology
- Organisationstyp
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 1 December 1989
- Autoren
- Geoffrey Miller, Peter Todd, and Shailesh Hegde
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Mathematics
- Aufgabe
- Pattern classification
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.
- Parameter
- 0K
- Trainingsdaten
- 10,240 tokens
Each net has 5 units
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
- 1.2 × 10⁸ FLOP
- Wie es etabliert wurde
- Operation counting
10 params * 6 FLOP/param/pass * 4 datapoints * 1000 epochs * 50 individuals * 10 generations
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
- Zitationen
- 1,132
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Designing neural networks using genetic algorithms
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Woher es kam
Innervator was published by Stanford University,California Institute of Technology, in United States of America, in December 1989. academia,Academia is the category the publisher falls under.
It works in Mathematics, and is recorded as doing pattern classification.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Producing it required around 1.2 × 10⁸ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
Around 10,240 tokens went into training it.
Antworten
Innervator — Häufig gestellte Fragen
What GPU do I need to run Innervator?
None. Innervator 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.
Is Innervator open source?
The licensing for Innervator was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Innervator have?
Innervator has 0K parameters. Each net has 5 units. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Wer hat Innervator geschaffen?
Innervator was published by Stanford University,California Institute of Technology, based in United States of America, categorised as academia,Academia.
When was Innervator released?
Innervator was published in December 1989. 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 Innervator used for?
Innervator works in Mathematics, and is recorded as handling pattern classification. 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.
How much compute was used to train Innervator?
Around 1.2 × 10⁸ FLOP. 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.
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.