Persia
χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη για αυτό το μοντέλο δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατέβει ή να τρέξει σε δικό σας υλικό σε κανένα μέγεθος. Είναι προσβάσιμο μόνο μέσω του παρόχου του, και καμία κάρτα γραφικών δεν το αλλάζει..
Σε καταγραφή
πλήρης προδιαγραφή
Τα πάντα είναι καταγεγραμμένα για αυτό το μοντέλο. Το μεγαλύτερο μέρος περιγράφει πώς έχει εκπαιδευτεί παρά πώς εκτελείται — χρήσιμος πλαίσιο για να κρίνουμε πόση δουλειά έχει γίνει σε αυτό, και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα..
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε.
- Οργάνωση
- ETH Zurich,Kuaishou Technology
- Τύπος οργάνωσης
- Academia,Industry
- Χώρα
- Switzerland, China
- Δημοσιευμένο
- 23 November 2021
- Authors
- Xiangru Lian, Binhang Yuan, Xuefeng Zhu, Yulong Wang, Yongjun He, Honghuan Wu, Lei Sun, Haodong Lyu, Chengjun Liu, Xing Dong, Yiqiao Liao, Mingnan Luo, Congfei Zhang, Jingru Xie, Haonan Li, Lei Chen, Renjie Huang, Jianying Lin, Chengchun Shu, Xuezhong Qiu, Zhishan Liu, Dongying Kong, Lei Yuan, Hai Yu, Sen Yang, Ce Zhang, Ji Liu
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες χτίστηκε το μοντέλο. Ένα μοντέλο μπορεί να φέρει αρκετές από κάθε μία.
- Δικτύου
- Recommendation
- Recommender system
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα έχει εκπαιδευτεί. Οι παράμετροι είναι ο αριθμός που αποφασίζει αν θα χωρέσει σε μια δεδομένη κάρτα γραφικών.
- παραμέτρους
- 100T
- Εκπαίδευση δεδομένων
- tokens
100 trillion
Η εκπαίδευση τρέχει
Τι χρειάστηκε φυσικά για την εκπαίδευση: ποια τσιπ, πόσα, για πόσο καιρό, και τι ρεύμα αντλήθηκε από το δίκτυο.
- Υλικό εκπαίδευσης
- NVIDIA V100
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το τρέξετε στον δικό σας υλικό, το οποίο είναι αυτό που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα ισχύουν.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κωδικός εκπαίδευσης
- Open source
https://github.com/PersiaML/PERSIA/blob/main/LICENSE MIT code
Πώς ταξινομείται
Ετικέτες που εφαρμόζονται στο σύνολο δεδομένων προέλευσης κατά την παρακολούθηση σημαντικών μοντέλων και πόσο σίγουρο είναι για την καταχώρηση.
- Το μοντέλο δεν ταιριάζει στο VRAM του GPU.
- Confident
- 44
Ποιό μοντέλο μπορεί να τρέξει η GPU; Δεν ταιριάζει. Τρέχει άνετα.
Όταν αυτό το αρχείο δημιουργήθηκε και πότε ελέγχθηκε τελευταία φορά.
- Αναφορά
- Persia: An Open, Hybrid System Scaling Deep Learning-based Recommenders up to 100 Trillion Parameters
- Τι μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ σφιχτό. Άνετο.
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Ποιο μοντέλο μπορεί να τρέξει η GPU; Δεν χωράει. Πολύ στενό. Άνετο.
Persia was published by ETH Zurich,Kuaishou Technology, in Switzerland, in November 2021. academia,Industry is the category the publisher falls under.
It works in Recommendation, and is recorded as doing recommender system.
Αυτό είναι ένα κλειστό μοντέλο: οι εκπαιδευμένες τιμές παρέμειναν σε όποιον τις παρήγαγε, και δεν υπάρχει τοπική έκδοση για να τρέξει.
Απαντήσεις
Persia — Αυτό το μοντέλο δεν χωράει στη VRAM της GPU.
Who created Persia?
Persia was published by ETH Zurich,Kuaishou Technology, based in Switzerland, categorised as academia,Industry.
When was Persia released?
Persia was published in November 2021. 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 Persia used for?
Persia works in Recommendation, and is recorded as handling recommender system. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
What GPU do I need to run Persia?
None. Persia 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 Persia open source?
No. Persia has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Persia have?
Persia has 100T parameters. 100 trillion. 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.
Η άλλη κατεύθυνση
Κοιτάζοντας το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινά από το μοντέλο. Εάν έχετε ήδη μια κάρτα και θέλετε να ξέρετε τα πάντα που μπορεί να εκτελέσει., δεν χωράει.