Cross-lingual alignment
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos de este modelo son OPEN WEIGHT, pero no se ha publicado ninguna cuenta de parámetros para él. Cada figura de MEMORY y velocidad comienza a partir de ese número, así que preferiríamos no mostrar nada que una estimación fabricada..
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
- Tel Aviv University,Massachusetts Institute of Technology (MIT)
- Tipo de Organización
- Academia,Academia
- País
- Israel, United States of America
- Publicado
- 4 April 2019
- Autores
- Tal Schuster, Ori Ram, Regina Barzilay, and Amir Globerson.
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
- Modelo base
- ELMo
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
- 2.6 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
From author communication: Precision: float32 Hardware: 4 GPU NVIDIA 1080Ti NVIDIA 1080Ti: 1.06E+13 Compute: 7 GPU-days 0.4 * 1.06E+13 FLOP/s * 7 days * 24h/day * 3600s/h = 2.56E+18
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX 1080 Ti
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
- Open — downloadable
- Acceso al modelo
- Open weights (unrestricted)
- Código de entrenamiento
- Open source
MIT license https://github.com/TalSchuster/CrossLingualContextualEmb
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
- Speculative
- Citas
- 221
"our method consistently outperforms the previous state-of-the-art on 6 tested languages" "Table 3 summarizes the results for our zero-shot, multi-source experiments on six languages from Google universal dependency treebank version 2.0." "Table 5 summarizes the results, showing that our algorithm outperforms the best model from the shared task by 5.05 LAS points and improves by over 10 points over a FASTTEXT baseline"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Cross-lingual alignment of contextual word embeddings, with applications to zero- shot dependency parsing.
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Cross-lingual alignment fue publicado por Tel Aviv University,Massachusetts Institute of Technology (MIT), en el país registrado como Israel, durante April 2019. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de translation.
Su punto de partida fue un modelo base existente, ELMo. Esa es la forma habitual en que se produce un modelo especializado.
Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 2.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX 1080 Ti. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Su criterio de inclusión: sOTA improvement.
Respuestas
Cross-lingual alignment — preguntas comunes
Cross-lingual alignment— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA GeForce GTX 1080 Ti. 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.
Cross-lingual alignment— ¿Qué GPU necesito para ejecutarlo?
No podemos decir. Tiene pesos abiertos, pero no se ha publicado ningún conteo de parámetros para él, y todos los cálculos de memoria y velocidad comienzan desde ese número. Preferiríamos no mostrar nada que una estimación fabricada.
Cross-lingual alignment— ¿Es de código abierto?
Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.
Cross-lingual alignment— ¿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.
Cross-lingual alignment— ¿Quién lo creó?
Fue publicado por Tel Aviv University,Massachusetts Institute of Technology (MIT), basado en Israel, una organización categorizada como academia,Academia.
Cross-lingual alignment— ¿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.
Cross-lingual alignment— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de translation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Cross-lingual alignment— ¿Dónde puedo descargarlo?
Los pesos están publicados, aunque no tenemos un enlace de repositorio para ello. Este sitio calcula los requisitos de hardware en lugar de alojar archivos de modelo.
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.