EI-REHN-1000D
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
- Korea Advanced Institute of Science and Technology (KAIST)
- Tipo de Organización
- Academia
- País
- Korea (Republic of)
- Publicado
- 14 August 2017
- Autores
- Hyunsin Park, Chang D. Yoo
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
- Formato numérico
- FP32
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
- 19M
- Datos de entrenamiento
- 929,000 tokens
- Épocas
- 100
19M (Table 4)
"For all the experiments in this paper, Tensorflow toolkit [15] was used. For training the network, Adam optimizer [16] was adopted with 20 mini-batch size, 100 epochs, and 0.01 learning rate"
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
- 1.1 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 19000000 parameters * 929000 tokens * 100 epochs = 1.05906e+16 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
- 6
- Datos de referencia
- EI-REHN-1000D
"The proposed networks showed better performance than other state-of-the-art recurrent networks in all three experiments."
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Early Improving Recurrent Elastic Highway Network
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
EI-REHN-1000D fue publicado por Korea Advanced Institute of Science and Technology (KAIST), en el país registrado como Korea (Republic of), durante August 2017. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.1 × 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 929,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
EI-REHN-1000D — preguntas comunes
EI-REHN-1000D— ¿Quién lo creó?
Fue publicado por Korea Advanced Institute of Science and Technology (KAIST), basado en Korea (Republic of), una organización categorizada como academia.
EI-REHN-1000D— ¿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.
EI-REHN-1000D— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
EI-REHN-1000D— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.1 × 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.
EI-REHN-1000D— ¿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.
EI-REHN-1000D— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
EI-REHN-1000D— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 19M. 19M (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.
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.