DeepNash
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
- DeepMind
- Τύπος οργάνωσης
- Industry
- Χώρα
- United Kingdom of Great Britain and Northern Ireland
- Δημοσιευμένο
- 1 December 2022
- Συγγραφείς
- Julien Perolat, Bart de Vylder, Daniel Hennes, Eugene Tarassov, Florian Strub, Vincent de Boer, Paul Muller, Jerome T. Connor, Neil Burch, Thomas Anthony, Stephen McAleer, Romuald Elie, Sarah H. Cen, Zhe Wang, Audrunas Gruslys, Aleksandra Malysheva, Mina Khan, Sherjil Ozair, Finbarr Timbers, Toby Pohlen, Tom Eccles, Mark Rowland, Marc Lanctot, Jean-Baptiste Lespiau, Bilal Piot, Shayegan Omidshafie…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Games
- Εντολή
- Stratego
- Προσέγγιση
- Reinforcement learning
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
- 2,109,703,680,000 tokens
768 * 7.21M trajectories? (Table S1) 768 * 7.21M = 5,537,280,000 https://www.science.org/doi/suppl/10.1126/science.add4679/suppl_file/science.add4679_sm.pdf
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
the training code used to be here but not anymore https://github.com/google-deepmind/open_spiel/tree/master/open_spiel/python/algorithms/rnad
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Γιατί παρακολουθείται
- SOTA improvement
- Καταγραφή εμπιστοσύνης
- Unknown
- Αναφορές
- 245
DeepNash beat existing state-of-the-art AI methods in Stratego and achieved a year-to-date (2022) and all-time top-three ranking on the Gravon games platform, competing with human expert players.
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- Mastering the game of Stratego with model-free multiagent reinforcement learning
- Τελευταία ενημέρωση
- 1 January 2026
Τι σημαίνουν οι αριθμοί
Ιστορικό
DeepNash was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in December 2022. It comes out of industry.
It works in Games, and is recorded as doing stratego.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Πώς εκπαιδεύτηκε
It was trained on about 2,109,703,680,000 tokens of text.
Ο λόγος που εμφανίζεται σε αυτόν τον κατάλογο είναι η βελτίωση sOTA.
Απαντήσεις
DeepNash — Συχνές ερωτήσεις
What is DeepNash used for?
DeepNash works in Games, and is recorded as handling stratego. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run DeepNash?
None. DeepNash 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 DeepNash open source?
Όχι. Το DeepNash δεν έχει δημοσιεύσει τα βάρη του, επομένως υπάρχει μόνο ως υπηρεσία που ελέγχεται από τον ιδιοκτήτη του.
How many parameters does DeepNash have?
No parameter count has been published for DeepNash, which is why no memory or speed figure appears on this page.
Who created DeepNash?
DeepNash was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was DeepNash released?
DeepNash was published in December 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
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..