GameNGen
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- Google Research,Google DeepMind,Tel Aviv University
- Τύπος οργάνωσης
- Industry,Industry,Academia
- Χώρα
- United States of America, Israel
- Δημοσιευμένο
- 22 August 2024
- Συγγραφείς
- Dani Valevski, Yaniv Leviathan, Moab Arar, Shlomi Fruchter
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Games
- Εντολή
- Doom
- Βασικό μοντέλο
- Stable Diffusion (LDM-KL-8-G)
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Δεδομένα εκπαίδευσης
- 458,802,000,000 tokens
" We use a batch size of 128 " (for the main training) "Unless noted otherwise, all results in the paperare after 700,000 training steps. <..> We use a batch size of 2,048 for optimizing the latent decoder, other training parameters are identical to those of the denoiser. <..> Overall we generate 900M frames for training. All image frames (during training, inference, and conditioning) are at a resolution of 320x240 padded to 320x256."
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- Google TPU v5e
- Τσιπ που χρησιμοποιούνται
- 128
- Κατανάλωση ενέργειας
- 56.8 kW
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κώδικας εκπαίδευσης
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Unknown
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Diffusion Models Are Real-Time Game Engines
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Σχετικά με αυτό το μοντέλο
GameNGen was published by Google Research,Google DeepMind,Tel Aviv University, in United States of America, in August 2024. The organisation is categorised as industry,Industry,Academia.
It works in Games, and is recorded as doing doom.
It is derived from Stable Diffusion (LDM-KL-8-G) rather than trained from scratch, which is the usual way a specialised model is produced.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Εκπαίδευση και προέλευση
It was trained on about 458,802,000,000 tokens of text.
Απαντήσεις
GameNGen — Συχνές ερωτήσεις
What GPU do I need to run GameNGen?
None. GameNGen 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 GameNGen open source?
No. GameNGen has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does GameNGen have?
No parameter count has been published for GameNGen, which is why no memory or speed figure appears on this page.
Who created GameNGen?
GameNGen was published by Google Research,Google DeepMind,Tel Aviv University, based in United States of America, categorised as industry,Industry,Academia.
When was GameNGen released?
GameNGen was published in August 2024. 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 GameNGen used for?
GameNGen works in Games, and is recorded as handling doom. These are the areas it was designed around; they describe intent rather than a hard boundary.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..