retrieval-quality-kNN-LMs
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
- University of Massachusetts Amherst
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 28 October 2022
- Autores
- Andrew Drozdov, Shufan Wang, Razieh Rahimi, Andrew McCallum, Hamed Zamani, Mohit Iyyer
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
- Modelo base
- Base LM + kNN LM + Continuous Cache
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
- 247M
- Datos de entrenamiento
- 103,000,000 tokens
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 source
MIT for code: https://github.com/iesl/knnlm-retrieval-quality
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 15
- Datos de referencia
- retrieval-quality-kNN-LMs
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- You can’t pick your neighbors, or can you? When and how to rely on retrieval in the kNN-LM
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
retrieval-quality-kNN-LMs fue publicado por University of Massachusetts Amherst, en el país registrado como United States of America, durante October 2022. Sale de una organización categorizada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Su punto de partida fue un modelo base existente, Base LM + kNN LM + Continuous Cache. Por eso comparte la forma y el tamaño general del modelo base.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
El conjunto de entrenamiento se ejecutó a aproximadamente 103,000,000 tokens de texto
Respuestas
retrieval-quality-kNN-LMs — preguntas comunes
retrieval-quality-kNN-LMs— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
retrieval-quality-kNN-LMs— ¿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.
retrieval-quality-kNN-LMs— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
retrieval-quality-kNN-LMs— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 247M. 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.
retrieval-quality-kNN-LMs— ¿Quién lo creó?
Fue publicado por University of Massachusetts Amherst, basado en United States of America, una organización categorizada como academia.
retrieval-quality-kNN-LMs— ¿cuándo fue lanzado?
Se publicó en October 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.