GAWWN
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
- University of Michigan,Max Planck Institute for Informatics
- Tipo de Organización
- Academia,Academia
- País
- United States of America, Germany
- Publicado
- 8 October 2016
- Autores
- Scott E. Reed, Zeynep Akata, S. Mohan, Samuel Tenka, B. Schiele, Honglak Lee
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Vision
- Tarea
- Image generation
- Enfoque
- Supervised
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
- 235,760 tokens
directly stated in paper
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
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
https://paperswithcode.com/sota/text-to-image-generation-on-cub I don't see any standard benchmarks where they would claim SOTA results
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Learning What and Where to Draw
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
GAWWN fue publicado por University of Michigan,Max Planck Institute for Informatics, en el país registrado como United States of America, durante October 2016. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Vision, y se registra como realizando la tarea de image generation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
El conjunto de entrenamiento se ejecutó a aproximadamente 235,760 tokens de texto
La razón por la que aparece en este catálogo en absoluto: sOTA improvement.
Respuestas
GAWWN — preguntas comunes
GAWWN— ¿cuándo fue lanzado?
Se publicó en October 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.
GAWWN— ¿Para qué se utiliza?
Funciona en el dominio de Vision, y se registra como manejando la tarea de image generation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
GAWWN— ¿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.
GAWWN— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GAWWN— ¿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.
GAWWN— ¿Quién lo creó?
Fue publicado por University of Michigan,Max Planck Institute for Informatics, basado en United States of America, una organización categorizada como academia,Academia.
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.