Fine-tuned-AWD-LSTM-DOC (fin)
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
- Samsung R&D Institute Russia
- Tipo de Organización
- Industry
- País
- Russia
- Publicado
- 12 November 2018
- Autores
- Vadim Popov, Mikhail Kudinov
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
- Modelo base
- AWD-LSTM-DOC (fin) (23M)
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
- 46M
- Datos de entrenamiento
- 1,044,112 tokens
- Épocas
- 15
This is the model trained on Penn Treebank, which uses as a base model the 23M model from Table 7 in https://aclanthology.org/D18-1489.pdf They additionally train a discriminator with the same architecture, so total parameters is 2*23M = 46M
Per https://arxiv.org/pdf/1904.04733: "The most common split of this corpus, where sections from 0 to 18 are used for training (38 219 sentences, 912 344 tokens), sections from 19 to 21 are used for validation (5 527 sentences, 131 768 tokens), and sections from 22 to 24 are used for testing (5 462 sentences, 129 654 tokens)." So dev set is 912,344 + 131768 = 1,044,112
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
- 5.2 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
Base model uses 4.323e16 FLOPs. They then train a discriminator using the same architecture for 30 epochs, and then use the discriminator to fine-tune the base model for another 15 epochs. Both of these latter training steps require running forward passes on both the discriminator and the language model, but only doing a backward pass on one of them. Discriminator training: 2*23M*30*1044112 + 6*23M*30*1044112 = 5.763e15 LM fine-tuning: 2*23M*15*1044112 + 6*23M*15*1044112 = 2.882e15 Total: 4.…
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
- Citas
- 2
- Datos de referencia
- Fine-tuned-AWD-LSTM-DOC(fin)
"The novel approach that we propose allows us to reach state-of-theart quality on Penn Treebank: perplexity decreases from 52.4 to 52.1."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Fine-tuning of Language Models with Discriminator
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
Fine-tuned-AWD-LSTM-DOC (fin) fue publicado por Samsung R&D Institute Russia, en el país registrado como Russia, durante November 2018. La organización editora está clasificada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Se basa en AWD-LSTM-DOC (fin) (23M). Esa es la forma habitual en que se produce un modelo especializado.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 5.2 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 1,044,112 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: sOTA improvement.
Respuestas
Fine-tuned-AWD-LSTM-DOC (fin) — preguntas comunes
Fine-tuned-AWD-LSTM-DOC (fin)— ¿cuándo fue lanzado?
Se publicó en November 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.
Fine-tuned-AWD-LSTM-DOC (fin)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
Fine-tuned-AWD-LSTM-DOC (fin)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5.2 × 10¹⁶ 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.
Fine-tuned-AWD-LSTM-DOC (fin)— ¿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.
Fine-tuned-AWD-LSTM-DOC (fin)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Fine-tuned-AWD-LSTM-DOC (fin)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 46M. This is the model trained on Penn Treebank, which uses as a base model the 23M model from Table 7 in https://aclanthology.org/D18-1489.pdf They additionally train a discriminator with the same architecture, so total parameters is 2*23M = 46M. 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.
Fine-tuned-AWD-LSTM-DOC (fin)— ¿Quién lo creó?
Fue publicado por Samsung R&D Institute Russia, basado en Russia, una organización categorizada como industry.
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.