BERT-Large-CAS (WT2)
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
- Modelo base
- BERT-Large
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
- 340M
- Datos de entrenamiento
- 2,000,000 tokens
- Épocas
- 50
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 license specified: https://github.com/cgraywang/gluon-nlp-1/tree/lmtransformer/scripts/language_model
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
- 139
- Datos de referencia
- BERT-Large-CAS (WT2)
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
Fondo
BERT-Large-CAS (WT2) 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.
Se basa en BERT-Large. La mayoría de los modelos a esta escala están adaptados de una base existente en lugar de construidos desde cero.
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 un corpus de alrededor de 2,000,000 tokens de texto
Respuestas
BERT-Large-CAS (WT2) — preguntas comunes
BERT-Large-CAS (WT2)— ¿Quién lo creó?
Fue publicado por Amazon, basado en United States of America, una organización categorizada como industry.
BERT-Large-CAS (WT2)— ¿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 (WT2)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de neural Architecture Search - NAS, Language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
BERT-Large-CAS (WT2)— ¿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.
BERT-Large-CAS (WT2)— ¿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 (WT2)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 340M. 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.