Pluribus
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
- Facebook AI Research
- Tipo de Organización
- Industry
- País
- United States of America, France
- Publicado
- 11 July 2019
- Autores
- Noam Brown, Tuomas Sandholm
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Poker
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
- tokens
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
- 6.6 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware
Trained in 8 days on a 64 core CPU https://ai.facebook.com/blog/pluribus-first-ai-to-beat-pros-in-6-player-poker/ "We trained the blueprint strategy for Pluribus in eight days on a 64-core server and required less than 512 GB of RAM. No GPUs were used. At typical cloud computing instance rates, it would cost less than $150 to train." Guess: trained on i7 Intel CPU, approx 5e9 FLOP/s for each core. https://epoch.ai/blog/estimating-training-compute 8 days, 64 cores, 5e9 FLOP/s, 30% utilization
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
- Likely
- Citas
- 797
first to beat humans at multiplayer poker: "Developing a superhuman AI for multiplayer poker was the widely,recognized main remaining milestone. In this paper we describe Pluribus, an AI capable of defeating elite human professionals in six-player no-limit Texas hold’em poker, the most commonly played poker format in the world."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Superhuman AI for multiplayer poker
- Última actualización
- 1 January 2026
Qué significan los números
Qué es este modelo
Pluribus fue publicado por Facebook AI Research, en el país registrado como United States of America, durante July 2019. La organización editora está clasificada como industry.
Funciona en el dominio de Games, y se registra como realizando la tarea de poker.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
El entrenamiento consumió alrededor de 6.6 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
Pluribus — preguntas comunes
Pluribus— ¿cuándo fue lanzado?
Se publicó en July 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.
Pluribus— ¿Para qué se utiliza?
Funciona en el dominio de Games, y se registra como manejando la tarea de poker. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Pluribus— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 6.6 × 10¹⁶ 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.
Pluribus— ¿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.
Pluribus— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Pluribus— ¿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.
Pluribus— ¿Quién lo creó?
Fue publicado por Facebook AI Research, basado en United States of America, una organización categorizada como 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.