BERT-Large-CAS (PTB+WT2+WT103)
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
- Amazon
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 20 April 2019
- Autores
- Chenguang Wang, Mu Li, Alexander J. Smola
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Neural Architecture Search - NAS, Language modeling/generation
- Formato numérico
- FP32
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
- 395M
- Datos de entrenamiento
- 1,300,000,000 tokens
- Épocas
- 50
395M (Table 6)
Table 7: 0.1B (PTB)+ 0.2B (WT-2) + 1.0B (WT-103) = 1.3B We pick 128 as sequence length and 16 as minibatch size "We use NT-ASGD (Merity et al., 2017) to train 50 epochs on training datasets"
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
- 1.5 × 10²⁰ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / token / parameter * 395000000 parameters * 1300000000 parameters * 50 epochs = 1.5405e+20 FLOP ________ in the Algorithmic progress paper, the estimation was 5.21E+20 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
Apache 2.0 license: https://github.com/cgraywang/gluon-nlp-1/blob/lmtransformer/scripts/language_model/train/transformer_lm.py
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
- 139
- Datos de referencia
- BERT-Large-CAS (PTB+WT2+WT103)
"CAS achieves perplexities between 20.42 and 34.11 on all problems, i.e. on average an improvement of 12.0 perplexity units compared to state-of-the-art LSTMs"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Language Models with Transformers
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
BERT-Large-CAS (PTB+WT2+WT103) fue publicado por Amazon, en el país registrado como United States of America, durante April 2019. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de neural Architecture Search - NAS, 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 entrenamiento consumió alrededor de 1.5 × 10²⁰ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 1,300,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
BERT-Large-CAS (PTB+WT2+WT103) — preguntas comunes
BERT-Large-CAS (PTB+WT2+WT103)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
BERT-Large-CAS (PTB+WT2+WT103)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 395M. 395M (Table 6). 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.
BERT-Large-CAS (PTB+WT2+WT103)— ¿Quién lo creó?
Fue publicado por Amazon, basado en United States of America, una organización categorizada como industry.
BERT-Large-CAS (PTB+WT2+WT103)— ¿cuándo fue lanzado?
Se publicó en April 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.
BERT-Large-CAS (PTB+WT2+WT103)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de neural Architecture Search - NAS, Language modeling/generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
BERT-Large-CAS (PTB+WT2+WT103)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.5 × 10²⁰ 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.
BERT-Large-CAS (PTB+WT2+WT103)— ¿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.
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.