Perceiver IO (optical flow)
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
- DeepMind
- Tipo de Organización
- Industry
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 8 February 2020
- Autores
- Andrew Jaegle, Sebastian Borgeaud, Jean-Baptiste Alayrac, Carl Doersch, Catalin Ionescu, David Ding, Skanda Koppula, Daniel Zoran, Andrew Brock, Evan Shelhamer, Olivier Hénaff, Matthew M. Botvinick, Andrew Zisserman, Oriol Vinyals, João Carreira
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Multimodal, Language, Vision
- Tarea
- Language modeling/generation, Image captioning
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
- 27.9M
- Datos de entrenamiento
- 146,022,400,000 tokens
- Épocas
- 480
Optical flow model (SOTA) was 27.9M params. There are other, larger models described in this paper, e.g. for language. "For the pixel- and patch-based models, total computational complexity for a forward pass on a 368 × 496 image is roughly 987 billion FLOPs, and there are roughly 27.9 million parameters."
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
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- SOTA improvement
- Confianza de registro
- Confident
- Citas
- 816
"Perceiver IO... achieves state-of-the-art performance on Sintel optical flow estimation"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Perceiver IO: A General Architecture for Structured Inputs & Outputs
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Perceiver IO (optical flow) fue publicado por DeepMind, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante February 2020. La organización editora está clasificada como industry.
Funciona en el dominio de Multimodal, Language, Vision, y se registra como realizando la tarea de language modeling/generation, Image captioning.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 146,022,400,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Perceiver IO (optical flow) — preguntas comunes
Perceiver IO (optical flow)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Perceiver IO (optical flow)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 27.9M. Optical flow model (SOTA) was 27.9M params. There are other, larger models described in this paper, e.g. for language. "For the pixel- and patch-based models, total computational complexity for a forward pass on a 368 × 496 image is roughly 987 billion FLOPs, and there are roughly 27.9 million parameters.". 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.
Perceiver IO (optical flow)— ¿Quién lo creó?
Fue publicado por DeepMind, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.
Perceiver IO (optical flow)— ¿cuándo fue lanzado?
Se publicó en February 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.
Perceiver IO (optical flow)— ¿Para qué se utiliza?
Funciona en el dominio de Multimodal, Language, Vision, y se registra como manejando la tarea de language modeling/generation, Image captioning. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Perceiver IO (optical flow)— ¿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.