ADP-FAIRSEQ+NGRAMRES
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
- Tsinghua University,Chinese University of Hong Kong (CUHK),Nara Institute of Science and Technology
- Tipo de Organización
- Academia,Academia,Academia
- País
- China, Hong Kong, Japan
- Publicado
- 26 October 2022
- Autores
- Huayang Li, Deng Cai, Jin Xu, Taro Watanabe
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, Translation, Text summarization
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
- tokens
Table 2
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)
no license specified: https://github.com/ghrua/NgramRes
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Citas
- 3
- Datos de referencia
- ADP-FAIRSEQ+NGRAMRES
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- N-gram Is Back: Residual Learning of Neural Text Generation with n-gram Language Model
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
ADP-FAIRSEQ+NGRAMRES fue publicado por Tsinghua University,Chinese University of Hong Kong (CUHK),Nara Institute of Science and Technology, en el país registrado como China, durante October 2022. Sale de una organización categorizada como academia,Academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling, Translation, Text summarization.
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.
Respuestas
ADP-FAIRSEQ+NGRAMRES — preguntas comunes
ADP-FAIRSEQ+NGRAMRES— ¿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.
ADP-FAIRSEQ+NGRAMRES— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ADP-FAIRSEQ+NGRAMRES— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 247M. Table 2. 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.
ADP-FAIRSEQ+NGRAMRES— ¿Quién lo creó?
Fue publicado por Tsinghua University,Chinese University of Hong Kong (CUHK),Nara Institute of Science and Technology, basado en China, una organización categorizada como academia,Academia,Academia.
ADP-FAIRSEQ+NGRAMRES— ¿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.
ADP-FAIRSEQ+NGRAMRES— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling, Translation, Text summarization. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.