Adaptive LSTM + DeFINE
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
- University of Washington
- Τύπος οργάνωσης
- Academia
- Χώρα
- United States of America
- Δημοσιευμένο
- 27 November 2019
- Συγγραφείς
- Sachin Mehta, Rik Koncel-Kedziorski, Mohammad Rastegari, Hannaneh Hajishirzi
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Language
- Εντολή
- Language modeling, Translation
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Παραμέτροι
- 48.7M
- Δεδομένα εκπαίδευσης
- tokens
- Εποχές
- 20
Table 1a
Η εκπαίδευση
Τι χρειάστηκε φυσικά για να εκπαιδεύσουμε: ποια τσιπ, πόσα, για πόσο καιρό, και τι αυτό τραβούσε από τον τοίχο.
- Εκπαίδευση υλικού
- NVIDIA GeForce GTX 1080 Ti
- Τσιπ που χρησιμοποιούνται
- 2
- Κατανάλωση ενέργειας
- 1.0 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
- Confident
- Αναφορές
- 29
- Benchmark data
- Adaptive LSTM + DeFINE
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- DeFINE: DEep Factorized INput Token Embeddings for Neural Sequence Modeling
- Τελευταία ενημέρωση
- 25 May 2026
Τι σημαίνουν οι αριθμοί
Από πού προήλθε
Το Adaptive LSTM + DeFINE δημοσιεύθηκε από το Πανεπιστήμιο της Ουάσινγκτον, στις Ηνωμένες Πολιτείες της Αμερικής, το Νοέμβριο του 2019. η ακαδημία είναι η κατηγορία στην οποία ανήκει ο εκδότης.
It works in Language, and is recorded as doing language modeling, Translation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Απαντήσεις
Adaptive LSTM + DeFINE — Συχνές ερωτήσεις
Who created Adaptive LSTM + DeFINE?
Adaptive LSTM + DeFINE was published by University of Washington, based in United States of America, categorised as academia.
When was Adaptive LSTM + DeFINE released?
Adaptive LSTM + DeFINE was published in November 2019. 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 Adaptive LSTM + DeFINE used for?
Adaptive LSTM + DeFINE works in Language, and is recorded as handling language modeling, Translation. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run Adaptive LSTM + DeFINE?
None. Adaptive LSTM + DeFINE 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 Adaptive LSTM + DeFINE open source?
No. Adaptive LSTM + DeFINE has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Adaptive LSTM + DeFINE have?
Adaptive LSTM + DeFINE has 48.7M parameters. Table 1a. 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
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..