PaLI-3
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google DeepMind,Google Research,Google Cloud
- Tipo de Organización
- Industry,Industry,Industry
- País
- United States of America
- Publicado
- 17 October 2023
- Autores
- Xi Chen, Xiao Wang, Lucas Beyer, Alexander Kolesnikov, Jialin Wu, Paul Voigtlaender, Basil Mustafa, Sebastian Goodman, Ibrahim Alabdulmohsin, Piotr Padlewski, Daniel Salz, Xi Xiong, Daniel Vlasic, Filip Pavetic, Keran Rong, Tianli Yu, Daniel Keysers, Xiaohua Zhai, Radu Soricut
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Language, Vision
- Tarea
- Visual question answering, Character recognition (OCR), Image captioning
- Modelo base
- UL2
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 5B
- Datos de entrenamiento
- tokens
5B
contrastive image pretraining at 224² then high‑res 812–1064²
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
Table 2, Table 5
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- PaLI-3 Vision Language Models: Smaller, Faster, Stronger
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
PaLI-3 fue publicado por Google DeepMind,Google Research,Google Cloud, en el país registrado como United States of America, durante October 2023. La organización editora está clasificada como industry,Industry,Industry.
Funciona en el dominio de Multimodal, Language, Vision, y se registra como realizando la tarea de visual question answering, Character recognition (OCR), Image captioning.
En lugar de ser entrenado desde cero, se deriva de UL2. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
PaLI-3 — preguntas comunes
PaLI-3— ¿cuándo fue lanzado?
Se publicó en October 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
PaLI-3— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Language, Vision, y se registra como manejando la tarea de visual question answering, Character recognition (OCR), Image captioning. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
PaLI-3— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
PaLI-3— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
PaLI-3— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5B. 5B. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
PaLI-3— ¿Quién lo creó?
Fue publicado por Google DeepMind,Google Research,Google Cloud, basado en United States of America, una organización categorizada como industry,Industry,Industry.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.