Cube-Space AutoEncoder
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
- MIT-IBM Watson AI Lab
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 27 April 2020
- Autores
- Masataro Asai, Christian Muise
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision, Search
- Tarea
- Visual puzzles
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
- 4,243,600,000 tokens
"Finally, we tested Mandrill 15-puzzle, a significantly more challenging 4x4 variant of the sliding tile puzzle (Figure 1). We trained the network with more hyperparameter tuning it- erations (300) and a larger training set (50000). We gener- ated l = 14, 21 instances (20 each) and ran the system (Ta- ble 2, bottom right). "
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
- 1.1 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
(1) * (4113 * 10**9) * (24 * 3600) * (0.3) = 106608960000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = "For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80" 4.113 TFLOPS from https://www.techpowerup.com/gpu-specs/tesla-k80.c2616
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 K80
- Chips utilizados
- 1
- Horas de chip
- 24
- Tiempo de reloj
- 24 hours
- Consumo de energía
- 337 W
"For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80"
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
- Confident
- Citas
- 56
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
Cube-Space AutoEncoder fue publicado por MIT-IBM Watson AI Lab, en el país registrado como United States of America, durante April 2020. La organización editora está clasificada como academia,Industry.
Funciona en el dominio de Vision, Search, y se registra como realizando la tarea de visual puzzles.
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 1.1 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K80. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 4,243,600,000 tokens de texto
Respuestas
Cube-Space AutoEncoder — preguntas comunes
Cube-Space AutoEncoder— ¿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.
Cube-Space AutoEncoder— ¿Quién lo creó?
Fue publicado por MIT-IBM Watson AI Lab, basado en United States of America, una organización categorizada como academia,Industry.
Cube-Space AutoEncoder— ¿cuándo fue lanzado?
Se publicó en April 2020. 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.
Cube-Space AutoEncoder— ¿Para qué se utiliza?
Funciona en el dominio de Vision, Search, y se registra como manejando la tarea de visual puzzles. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Cube-Space AutoEncoder— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.1 × 10¹⁷ FLOP, en hardware registrado como NVIDIA Tesla K80. 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.
Cube-Space AutoEncoder— ¿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.
Cube-Space AutoEncoder— ¿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.
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.