VD-LSTM+REAL Large
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
- Salesforce Research,Stanford University
- Tipo de Organización
- Industry,Academia
- País
- United States of America
- Publicado
- 4 November 2016
- Autores
- Hakan Inan, Khashayar Khosravi, Richard Socher
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
- 51M
- Datos de entrenamiento
- 929,000 tokens
- Épocas
- 75
51M (Table 3)
75 epochs (Figure 2b)
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
- 2.1 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 51000000 parameters * 929000 tokens * 75 epochs = 2.132055e+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
- 404
- Datos de referencia
- VD-LSTM+REAL Large
"Our framework leads to state of the art performance on the Penn Treebank"
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Tying Word Vectors and Word Classifiers: A Loss Framework for Language Modeling
- Última actualización
- 25 May 2026
Qué significan los números
De dónde vino
VD-LSTM+REAL Large fue publicado por Salesforce Research,Stanford University, en el país registrado como United States of America, durante November 2016. Sale de una organización categorizada como industry,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 2.1 × 10¹⁶ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 929,000 tokens de texto
Su criterio de inclusión: sOTA improvement.
Respuestas
VD-LSTM+REAL Large — preguntas comunes
VD-LSTM+REAL Large— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.1 × 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.
VD-LSTM+REAL Large— ¿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.
VD-LSTM+REAL Large— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
VD-LSTM+REAL Large— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 51M. 51M (Table 3). 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.
VD-LSTM+REAL Large— ¿Quién lo creó?
Fue publicado por Salesforce Research,Stanford University, basado en United States of America, una organización categorizada como industry,Academia.
VD-LSTM+REAL Large— ¿cuándo fue lanzado?
Se publicó en November 2016. 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.
VD-LSTM+REAL Large— ¿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.
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.