CTM (CIFAR-10)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Stanford University,Sony
- Tipo de Organización
- Academia,Industry
- País
- United States of America, Japan
- Publicado
- 1 October 2023
- Autores
- Dongjun Kim, Chieh-Hsin Lai, Wei-Hsiang Liao, Naoki Murata, Yuhta Takida, Toshimitsu Uesaka, Yutong He, Yuki Mitsufuji, Stefano Ermon
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation, Text-to-image
- Formato numérico
- FP16
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.
- Datos de entrenamiento
- tokens
- Épocas
- 1.7
- Tamaño de lote
- 128
100K training iterations / 60K images in the training dataset = 1.7 epochs
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA V100
- Chips utilizados
- 4
- Consumo de energía
- 2.4 kW
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license https://github.com/Kim-Dongjun/ctm-cifar10 https://drive.google.com/drive/folders/1ei4PLmTrAlj-j_yUfLqXSpI5OOIqDlgv
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
- Unknown
- Citas
- 387
"CTM... achieves new state-of-the-art FIDs for single-step diffusion model sampling on CIFAR-10 (FID 1.73)"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
CTM (CIFAR-10) fue publicado por Stanford University,Sony, en el país registrado como United States of America, durante October 2023. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation, Text-to-image.
Los pesos publicados significan que el modelo se ejecuta en tu máquina en lugar de en la de alguien más, lo que hace que la pregunta sobre hardware a continuación sea respondible.
Entrenamiento y procedencia
Su criterio de inclusión: sOTA improvement.
Respuestas
CTM (CIFAR-10) — preguntas comunes
CTM (CIFAR-10)— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
CTM (CIFAR-10)— ¿Quién lo creó?
Fue publicado por Stanford University,Sony, basado en United States of America, una organización categorizada como academia,Industry.
CTM (CIFAR-10)— ¿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.
CTM (CIFAR-10)— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation, Text-to-image. 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.
CTM (CIFAR-10)— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
CTM (CIFAR-10)— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
CTM (CIFAR-10)— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
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.