ERNIE-ViLG
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
- Baidu
- Tipo de Organización
- Industry
- País
- China
- Publicado
- 31 December 2021
- Autores
- Han Zhang, Weichong Yin, Yewei Fang, Lanxin Li, Boqiang Duan, Zhihua Wu, Yu Sun, Hao Tian, Hua Wu, Haifeng Wang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Image generation, Vision, Language
- Tarea
- Vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering
- Enfoque
- Self-supervised learning
- 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.
- parámetros
- 10B
- Datos de entrenamiento
- tokens
"To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs."
To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.
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
it seems that the model was completely substituted by its successor ViLG 2.0 - I haven't found niether model weights nor code or API.
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo de Fundación
- Yes
- Por qué se rastrea
- SOTA improvement
- Citas
- 70
"we train a 10-billion parameter ERNIE-ViLG model on a large-scale dataset of 145 million (Chinese) image-text pairs which achieves state-of-the-art performance for both text-to-image and image-to-text tasks" "chieves state-of-the-art performance for both text-to-image and image-to-text tasks, obtaining an FID of 7.9 on MS-COCO for text-to-image synthesis and best results on COCO-CN and AIC-ICC for image captioning"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- ERNIE-ViLG: Unified Generative Pre-training for Bidirectional Vision-Language Generation
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
ERNIE-ViLG fue publicado por Baidu, en el país registrado como China, durante December 2021. La organización editora está clasificada como industry.
Funciona en el dominio de Multimodal, Image generation, Vision, Language, y se registra como realizando la tarea de vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering.
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.
Entrenamiento y procedencia
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
ERNIE-ViLG — preguntas comunes
ERNIE-ViLG— ¿Quién lo creó?
Fue publicado por Baidu, basado en China, una organización categorizada como industry.
ERNIE-ViLG— ¿cuándo fue lanzado?
Se publicó en December 2021. 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.
ERNIE-ViLG— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Image generation, Vision, Language, y se registra como manejando la tarea de vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering. 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.
ERNIE-ViLG— ¿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.
ERNIE-ViLG— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
ERNIE-ViLG— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 10B. "To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.". 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.
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.