Hanabi 4 player
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
- DeepMind,University of Oxford,Carnegie Mellon University (CMU),Google Brain
- Tipo de Organización
- Industry,Academia,Academia,Industry
- País
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Publicado
- 1 February 2019
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Games
- Tarea
- Hanabi
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
- 764K
- Datos de entrenamiento
- 20,000,000,000 tokens
source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389
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
- 4.3 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
14.13e+12 FLOP/s * 7 days * 86400 s/day * 0.50 utilization = 4.3e+18 FLOP
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 V100
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
- Historical significance
- Confianza de registro
- Confident
- Citas
- 229
Adapted some SOTA RL algorithms to a new task that posed research challenges
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- The Hanabi Challenge: A New Frontier for AI Research
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Hanabi 4 player fue publicado por DeepMind,University of Oxford,Carnegie Mellon University (CMU),Google Brain, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante February 2019. La categoría en la que se encuentra el editor es industry,Academia,Academia,Industry.
Funciona en el dominio de Games, y se registra como realizando la tarea de hanabi.
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 4.3 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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 20,000,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance.
Respuestas
Hanabi 4 player — preguntas comunes
Hanabi 4 player— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.3 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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.
Hanabi 4 player— ¿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.
Hanabi 4 player— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Hanabi 4 player— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 764K. source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389. 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.
Hanabi 4 player— ¿Quién lo creó?
Fue publicado por DeepMind,University of Oxford,Carnegie Mellon University (CMU),Google Brain, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry,Academia,Academia,Industry.
Hanabi 4 player— ¿cuándo fue lanzado?
Se publicó en February 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.
Hanabi 4 player— ¿Para qué se utiliza?
Funciona en el dominio de Games, y se registra como manejando la tarea de hanabi. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
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.