SEST
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
- Carnegie Mellon University (CMU)
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 2 March 2017
- Autores
- Rui Liu, Junjie Hu, Wei Wei, Zi Yang, Eric Nyberg
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Question answering
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.
- Datos de entrenamiento
- tokens
SQuAD 1.1 contains 107,785 question-answer pairs on 536 articles. The paper isn't super clear on how they train the model, but it looks as though there is a backward pass for each answer (not per token).
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 GeForce GTX 1080
- Chips utilizados
- 1
- Consumo de energía
- 207 W
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 53
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Structural Embedding of Syntactic Trees for Machine Comprehension
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
SEST fue publicado por Carnegie Mellon University (CMU), en el país registrado como United States of America, durante March 2017. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de question answering.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Respuestas
SEST — preguntas comunes
SEST— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
SEST— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU), basado en United States of America, una organización categorizada como academia.
SEST— ¿cuándo fue lanzado?
Se publicó en March 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.
SEST— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de question answering. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
SEST— ¿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.
SEST— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
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.