GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (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
- Ben-Gurion University of the Negev
- Tipo de Organización
- Academia
- País
- Israel
- Publicado
- 29 August 2017
- Autores
- Ziv Aharoni, Gal Rattner, Haim Permuter
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
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
- 38M
- Datos de entrenamiento
- 2,000,000 tokens
- Épocas
- 1,000
38M (Table 2)
" The model was trained for 1000 epochs until the validation score stopped improving."
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
- 4.6 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 38000000 parameters * 2000000 tokens * 1000 epochs = 4.56e+17 FLOP
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
- 4
- Datos de referencia
- GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)
"Our GL-LSTM model overcame the state-of-the-art results with only two layers and 19M parameters, and further improved the state-of-the-art results with the third layer phase"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Gradual Learning of Recurrent Neural Networks
- Última actualización
- 11 February 2026
Qué significan los números
De dónde vino
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) fue publicado por Ben-Gurion University of the Negev, en el país registrado como Israel, durante August 2017. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
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.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 4.6 × 10¹⁷ FLOP. 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 2,000,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) — preguntas comunes
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 38M. 38M (Table 2). 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— ¿Quién lo creó?
Fue publicado por Ben-Gurion University of the Negev, basado en Israel, una organización categorizada como academia.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— ¿cuándo fue lanzado?
Se publicó en August 2017. 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— ¿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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.6 × 10¹⁷ 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.
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.