DEQ-TrellisNet (PTB)
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
- Carnegie Mellon University (CMU),Intel Labs
- Tipo de Organización
- Academia,Industry
- País
- United States of America
- Publicado
- 3 September 2019
- Autores
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
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/generation
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
- 24M
- Datos de entrenamiento
- 929,000 tokens
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
repo but no code for TrellisNet https://github.com/locuslab/deq/tree/master/DEQ-Sequence
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
- 873
- Datos de referencia
- DEQ-TrellisNet
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Equilibrium Models
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
DEQ-TrellisNet (PTB) fue publicado por Carnegie Mellon University (CMU),Intel Labs, en el país registrado como United States of America, durante September 2019. Sale de una organización categorizada como academia,Industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling/generation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
El conjunto de entrenamiento se ejecutó a aproximadamente 929,000 tokens de texto
Respuestas
DEQ-TrellisNet (PTB) — preguntas comunes
DEQ-TrellisNet (PTB)— ¿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.
DEQ-TrellisNet (PTB)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
DEQ-TrellisNet (PTB)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 24M. 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.
DEQ-TrellisNet (PTB)— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU),Intel Labs, basado en United States of America, una organización categorizada como academia,Industry.
DEQ-TrellisNet (PTB)— ¿cuándo fue lanzado?
Se publicó en September 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.
DEQ-TrellisNet (PTB)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling/generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.