Discriminator Guidance
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
- 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
- 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
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.2 × 10²⁰ FLOP
- Cómo se estableció
- Hardware
481 hours * 312 TFLOPS (A100) * 40% utilization
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 PCIe
- Tiempo de reloj
- 481 hours (20 days)
- Costo de cómputo
- $338
Table 6
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 (non-commercial)
- Código de entrenamiento
- Open (non-commercial)
https://github.com/alsdudrla10/DG Attribution-NonCommercial-ShareAlike 4.0 International checkpoints and train code here: https://github.com/alsdudrla10/DG/blob/main/README.md
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
- 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)." https://paperswithcode.com/paper/refining-generative-process-with
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
Acerca de este modelo
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.
El hecho de que los pesos sean abiertos es lo que coloca esta página en la calculadora en lugar de solo en el catálogo: es un modelo que puedes sostener.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 2.2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100 PCIe. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 327,978,752 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
Discriminator Guidance — preguntas comunes
Discriminator Guidance— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Discriminator Guidance— ¿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.
Discriminator Guidance— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.2 × 10²⁰ FLOP, en hardware registrado como NVIDIA A100 PCIe. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
Discriminator Guidance— ¿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.
Discriminator Guidance— ¿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.
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.
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.
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.
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.