Named Entity Recognition model
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
- 4 March 2016
- Autores
- Xuezhe Ma, Eduard Hovy
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Named entity recognition (NER), 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.
- Datos de entrenamiento
- 204,567 tokens
- Épocas
- 50
Table 2. 204567 tokens
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
- 9.7 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware
8 hours of training for NER GeForce GTX TITAN X GPU 0.33 utilization rate
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 TITAN X
- Chips utilizados
- 1
- Horas de chip
- 8
- Tiempo de reloj
- 8 hours
- Consumo de energía
- 290 W
"the model training requires about 12 hours for POS tagging and 8 hours for NER"
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
- Discretionary
- Confianza de registro
- Confident
- Citas
- 3,100
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
Named Entity Recognition model fue publicado por Carnegie Mellon University (CMU), en el país registrado como United States of America, durante March 2016. La organización editora está clasificada como academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de named entity recognition (NER), Language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
El entrenamiento consumió alrededor de 9.7 × 10¹⁶ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. 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 204,567 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: discretionary.
Respuestas
Named Entity Recognition model — preguntas comunes
Named Entity Recognition model— ¿cuándo fue lanzado?
Se publicó en March 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.
Named Entity Recognition model— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de named entity recognition (NER), Language modeling. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
Named Entity Recognition model— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9.7 × 10¹⁶ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. 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.
Named Entity Recognition model— ¿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.
Named Entity Recognition model— ¿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.
Named Entity Recognition model— ¿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.
Named Entity Recognition model— ¿Quién lo creó?
Fue publicado por Carnegie Mellon University (CMU), basado en United States of America, una organización categorizada como 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.