DiT-XL/2 + Discriminator Guidance
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
- Korea Advanced Institute of Science and Technology (KAIST),NAVER
- Tipo de Organización
- Academia,Industry
- País
- Korea (Republic of)
- Publicado
- 28 November 2022
- Autores
- Dongjun Kim, Yeongmin Kim, Se Jung Kwon, Wanmo Kang, Il-Chul Moon
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
- Modelo base
- DiT-XL/2
- 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
- 327,978,752 tokens
- Épocas
- 10
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 A100
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
- Open (non-commercial)
Attribution-NonCommercial-ShareAlike 4.0 International https://github.com/alsdudrla10/DG?tab=readme-ov-file I cannot see checkpoints / model weights in the repo
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
- 110
"Using our algorithm, we achive state-of-the-art results on ImageNet 256x256 with FID 1.83 and recall 0.64, similar to the validation data's FID (1.68) and recall (0.66)"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Refining Generative Process with Discriminator Guidance in Score-based Diffusion Models
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
DiT-XL/2 + Discriminator Guidance fue publicado por Korea Advanced Institute of Science and Technology (KAIST),NAVER, en el país registrado como Korea (Republic of), durante November 2022. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation, Text-to-image.
Se basa en DiT-XL/2. Esa es la forma habitual en que se produce un modelo especializado.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió un corpus de alrededor de 327,978,752 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
DiT-XL/2 + Discriminator Guidance — preguntas comunes
DiT-XL/2 + Discriminator Guidance— ¿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.
DiT-XL/2 + Discriminator Guidance— ¿Quién lo creó?
Fue publicado por Korea Advanced Institute of Science and Technology (KAIST),NAVER, basado en Korea (Republic of), una organización categorizada como academia,Industry.
DiT-XL/2 + Discriminator Guidance— ¿cuándo fue lanzado?
Se publicó en November 2022. 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.
DiT-XL/2 + Discriminator Guidance— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation, Text-to-image. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
DiT-XL/2 + Discriminator Guidance— ¿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.
DiT-XL/2 + Discriminator Guidance— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
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.