DeepNash
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- DeepMind
- Tipo de organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 1 December 2022
- Autores
- Julien Perolat, Bart de Vylder, Daniel Hennes, Eugene Tarassov, Florian Strub, Vincent de Boer, Paul Muller, Jerome T. Connor, Neil Burch, Thomas Anthony, Stephen McAleer, Romuald Elie, Sarah H. Cen, Zhe Wang, Audrunas Gruslys, Aleksandra Malysheva, Mina Khan, Sherjil Ozair, Finbarr Timbers, Toby Pohlen, Tom Eccles, Mark Rowland, Marc Lanctot, Jean-Baptiste Lespiau, Bilal Piot, Shayegan Omidshafie…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Stratego
- Approach
- Reinforcement learning
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 2,109,703,680,000 tokens
768 * 7.21M trajectories? (Table S1) 768 * 7.21M = 5,537,280,000 https://www.science.org/doi/suppl/10.1126/science.add4679/suppl_file/science.add4679_sm.pdf
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
the training code used to be here but not anymore https://github.com/google-deepmind/open_spiel/tree/master/open_spiel/python/algorithms/rnad
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Unknown
- Citations
- 245
DeepNash beat existing state-of-the-art AI methods in Stratego and achieved a year-to-date (2022) and all-time top-three ranking on the Gravon games platform, competing with human expert players.
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Mastering the game of Stratego with model-free multiagent reinforcement learning
- Última actualización
- 1 January 2026
Qué significan los números
Background
DeepNash was published by DeepMind, in United Kingdom of Great Britain and Northern Ireland, in December 2022. It comes out of industry.
It works in Games, and is recorded as doing stratego.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en otro lugar de este sitio se aplica a él.
Cómo fue entrenado
It was trained on about 2,109,703,680,000 tokens of text.
The reason it appears in this catalogue at all is sOTA improvement.
Respuestas
DeepNash — Preguntas frecuentes
What is DeepNash used for?
DeepNash works in Games, and is recorded as handling stratego. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run DeepNash?
None. DeepNash 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 DeepNash open source?
No. DeepNash has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does DeepNash have?
No parameter count has been published for DeepNash, which is why no memory or speed figure appears on this page.
Who created DeepNash?
DeepNash was published by DeepMind, based in United Kingdom of Great Britain and Northern Ireland, categorised as industry.
When was DeepNash released?
DeepNash was published in December 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.