eDiff-I
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
- NVIDIA
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 2 November 2022
- Autores
- Yogesh Balaji, Seungjun Nah, Xun Huang, Arash Vahdat, Jiaming Song, Qinsheng Zhang, Karsten Kreis, Miika Aittala, Timo Aila, Samuli Laine, Bryan Catanzaro, Tero Karras, Ming-Yu Liu
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
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
- 9.1B
- Datos de entrenamiento
- 1,556,275,200,000 tokens
9.1B for config D, Table 1
"The final dataset to train our model contains about one billion text-image pairs"
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
- 5.5 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting
6ND = 6*9100000000*1000000000=5.46e+19 (likely, might change because of several epochs / dataset division) "The base model was trained using 256 NVIDIA A100 GPUs, while the two super-resolution models were trained with 128 NVIDIA A100 GPUs each" no info on duration
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
- 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
- Likely
- Citas
- 1,046
SOTA zero-shot FID on COCO 2014, Table 1 May be significantly used, via Nvidia Picasso: https://www.nvidia.com/en-us/gpu-cloud/picasso/
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- eDiff-I: Text-to-Image Diffusion Models with an Ensemble of Expert Denoisers
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
eDiff-I fue publicado por NVIDIA, en el país registrado como United States of America, durante November 2022. La organización editora está clasificada como industry.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation, Text-to-image.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 5.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A100. 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 1,556,275,200,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
eDiff-I — preguntas comunes
eDiff-I— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
eDiff-I— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 9.1B. 9.1B for config D, Table 1. 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.
eDiff-I— ¿Quién lo creó?
Fue publicado por NVIDIA, basado en United States of America, una organización categorizada como industry.
eDiff-I— ¿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.
eDiff-I— ¿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.
eDiff-I— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA A100. 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.
eDiff-I— ¿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.
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.