ASE
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,University of California (UC) Berkeley
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 5 May 2022
- Autores
- Xue Bin Peng, Yunrong Guo, Lina Halper, Sergey Levine, Sanja Fidler
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics
- Tarea
- Animal (human/non-human) imitation
- Enfoque
- Reinforcement learning
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
- tokens
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
- 4.5 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
Training was done using the Isaac Gym simulator on an NVIDIA V100 GPU. The model was trained on over 10 billion samples, which equates to 10 years of simulated experience time. Training took around 10 days on a single GPU. 1.3e14 * 10 * 24 * 3600 * 0.4 = 4.49e19
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 Tesla V100 PCIe 16 GB
- Tiempo de reloj
- 240 hours (10 days)
Training took around 10 days on a single GPU.
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 56
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
ASE fue publicado por NVIDIA,University of California (UC) Berkeley, en el país registrado como United States of America, durante May 2022. La organización editora está clasificada como industry,Academia.
Funciona en el dominio de Robotics, y se registra como realizando la tarea de animal (human/non-human) imitation.
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.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 4.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla V100 PCIe 16 GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
ASE — preguntas comunes
ASE— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
ASE— ¿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.
ASE— ¿Quién lo creó?
Fue publicado por NVIDIA,University of California (UC) Berkeley, basado en United States of America, una organización categorizada como industry,Academia.
ASE— ¿cuándo fue lanzado?
Se publicó en May 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.
ASE— ¿Para qué se utiliza?
Funciona en el dominio de Robotics, y se registra como manejando la tarea de animal (human/non-human) imitation. 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.
ASE— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA Tesla V100 PCIe 16 GB. 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.
ASE— ¿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.