NVAE (FFHQ)
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
- NVIDIA
- Τύπος οργάνωσης
- Industry
- Χώρα
- United States of America
- Δημοσιευμένο
- 8 January 2021
- Συγγραφείς
- Arash Vahdat, Jan Kautz
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Image generation
- Εντολή
- Image generation
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
- tokens
- Εποχές
- 200
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 5.2 × 10²⁰ FLOP
- Πώς ιδρύθηκε
- Hardware
125000000000000 FLOP / GPU / sec * 24 GPUs * 160 hours * 3600 sec / hour * 0.3 [assumed utilization] = 5.184e+20 FLOP [Table 6]
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA Tesla V100 DGXS 32 GB
- Τσιπ που χρησιμοποιούνται
- 24
- Χρόνος τοίχου
- 160 hours
- Κατανάλωση ενέργειας
- 12.2 kW
Table 6
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
- Open (non-commercial)
"NVAE may be used non-commercially, meaning for research or evaluation purposes only" https://github.com/NVlabs/NVAE
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Confident
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- NVAE: A Deep Hierarchical Variational Autoencoder
- Τελευταία ενημέρωση
- 11 February 2026
Τι σημαίνουν οι αριθμοί
Ιστορικό
NVAE (FFHQ) was published by NVIDIA, in United States of America, in January 2021. The organisation is categorised as industry.
It works in Image generation, and is recorded as doing image generation.
Τα βάρη του δεν δημοσιεύθηκαν ποτέ, οπότε μπορεί να αποκτηθεί μόνο μέσω του παρόχου του. Καμία κάρτα γραφικών δεν αλλάζει αυτό.
Τι απαιτήθηκε για την κατασκευή του
Producing it required around 5.2 × 10²⁰ FLOP of arithmetic, on NVIDIA Tesla V100 DGXS 32 GB, which is a statement about the training budget rather than about inference.
Απαντήσεις
NVAE (FFHQ) — Συχνές ερωτήσεις
How many parameters does NVAE (FFHQ) have?
No parameter count has been published for NVAE (FFHQ), which is why no memory or speed figure appears on this page.
Who created NVAE (FFHQ)?
NVAE (FFHQ) was published by NVIDIA, based in United States of America, categorised as industry.
When was NVAE (FFHQ) released?
NVAE (FFHQ) was published in January 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 NVAE (FFHQ) used for?
NVAE (FFHQ) works in Image generation, and is recorded as handling image generation. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train NVAE (FFHQ)?
Around 5.2 × 10²⁰ FLOP, on NVIDIA Tesla V100 DGXS 32 GB. 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.
What GPU do I need to run NVAE (FFHQ)?
None. NVAE (FFHQ) 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 NVAE (FFHQ) open source?
No. NVAE (FFHQ) has not had its weights published, so it exists only as a service controlled by its owner.
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..