Adaptive LSTM + DeFINE
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
- University of Washington
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 27 November 2019
- Autores
- Sachin Mehta, Rik Koncel-Kedziorski, Mohammad Rastegari, Hannaneh Hajishirzi
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, Translation
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
- 48.7M
- Datos de entrenamiento
- tokens
- Épocas
- 20
Table 1a
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 GeForce GTX 1080 Ti
- Chips utilizados
- 2
- Consumo de energía
- 1.0 kW
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.
- Confianza de registro
- Confident
- Citas
- 29
- Datos de referencia
- Adaptive LSTM + DeFINE
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- DeFINE: DEep Factorized INput Token Embeddings for Neural Sequence Modeling
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
Adaptive LSTM + DeFINE fue publicado por University of Washington, en el país registrado como United States of America, durante November 2019. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling, Translation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
Adaptive LSTM + DeFINE — preguntas comunes
Adaptive LSTM + DeFINE— ¿Quién lo creó?
Fue publicado por University of Washington, basado en United States of America, una organización categorizada como academia.
Adaptive LSTM + DeFINE— ¿cuándo fue lanzado?
Se publicó en November 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.
Adaptive LSTM + DeFINE— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling, Translation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Adaptive LSTM + DeFINE— ¿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.
Adaptive LSTM + DeFINE— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Adaptive LSTM + DeFINE— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 48.7M. Table 1a. 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.