SPN (ImageNet 128)
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
- Google Brain,DeepMind
- Tipo de Organización
- Industry,Industry
- País
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Publicado
- 4 December 2018
- Autores
- Jacob Menick, Nal Kalchbrenner
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Image generation
- Tarea
- Image generation
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
- 250M
- Datos de entrenamiento
- 251,658,240,000 tokens
250M (Table 4)
batch size: 2048
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
- Google TPU v3
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
- SOTA improvement
- Confianza de registro
- Confident
"state-of-the-art log-likelihoods at 128x128 by a large margin"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Generating High Fidelity Images with Subscale Pixel Networks and Multidimensional Upscaling
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
SPN (ImageNet 128) fue publicado por Google Brain,DeepMind, en el país registrado como United States of America, durante December 2018. Sale de una organización categorizada como industry,Industry.
Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 251,658,240,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
SPN (ImageNet 128) — preguntas comunes
SPN (ImageNet 128)— ¿Para qué se utiliza?
Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
SPN (ImageNet 128)— ¿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.
SPN (ImageNet 128)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
SPN (ImageNet 128)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 250M. 250M (Table 4). 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.
SPN (ImageNet 128)— ¿Quién lo creó?
Fue publicado por Google Brain,DeepMind, basado en United States of America, una organización categorizada como industry,Industry.
SPN (ImageNet 128)— ¿cuándo fue lanzado?
Se publicó en December 2018. 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.
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.