Adversarial + AWD-LSTM-MoS + partial shuffled
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 Texas at Austin
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 10 June 2019
- Autores
- Dilin Wang, Chengyue Gong, Qiang Liu
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Translation, 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.
- Datos de entrenamiento
- tokens
- Épocas
- 450
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 (non-commercial)
code, no clear license: https://github.com/ChengyueGongR/advsoft
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
- 126
- Datos de referencia
- Adversarial + AWD-LSTM-MoS + partial shuffled
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Improving Neural Language Modeling via Adversarial Training
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Adversarial + AWD-LSTM-MoS + partial shuffled fue publicado por University of Texas at Austin, en el país registrado como United States of America, durante June 2019. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de translation, Language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
Adversarial + AWD-LSTM-MoS + partial shuffled — preguntas comunes
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿cuándo fue lanzado?
Se publicó en June 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.
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de translation, Language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿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.
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿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.
Adversarial + AWD-LSTM-MoS + partial shuffled— ¿Quién lo creó?
Fue publicado por University of Texas at Austin, basado en United States of America, una organización categorizada como academia.
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.