bRSM + cache
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
- Numenta,Incubator 491
- Tipo de Organización
- Industry,Industry
- País
- United States of America, Australia
- Publicado
- 2 December 2019
- Autores
- Jeremy Gordon, David Rawlinson, Subutai Ahmad
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
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
- 2.6M
- Datos de entrenamiento
- 912,344 tokens
- Épocas
- 19
Table 2
batch size 300 "the bRSM model overfits quickly to the PTB training set, as illustrated by increasing volatility and ultimately a quick rise in test loss after 40-60,000 mini-batches of training." 300*60000 / 912344 = 19.7 epochs
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
- 2.8 × 10¹⁴ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 2550000 parameters * 300 tokens per batch [speculatively, I am not sure if it is sequences per batch or tokens per batch] * 60000 steps = 2.754e+14 FLOP
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 source
GNU (copyleft) license for code: https://github.com/numenta/nupic.research/tree/master/projects/rsm
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
- Speculative
- Citas
- 6
- Datos de referencia
- bRSM + cache
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Long Distance Relationships without Time Travel: Boosting the Performance of a Sparse Predictive Autoencoder in Sequence Modeling
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
bRSM + cache fue publicado por Numenta,Incubator 491, en el país registrado como United States of America, durante December 2019. La categoría en la que se encuentra el editor es industry,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 2.8 × 10¹⁴ FLOP. 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 912,344 tokens de texto
Respuestas
bRSM + cache — preguntas comunes
bRSM + cache— ¿cuándo fue lanzado?
Se publicó en December 2019. 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.
bRSM + cache— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
bRSM + cache— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.8 × 10¹⁴ FLOP. 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.
bRSM + cache— ¿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.
bRSM + cache— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
bRSM + cache— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 2.6M. 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.
bRSM + cache— ¿Quién lo creó?
Fue publicado por Numenta,Incubator 491, basado en United States of America, una organización categorizada como industry,Industry.
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.