BIG LSTM+CNN INPUTS
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
- Google Brain
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 11 February 2016
- Autores
- Rafal Jozefowicz, Oriol Vinyals, Mike Schuster, Noam Shazeer, Yonghui Wu
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
- 1B
- Datos de entrenamiento
- tokens
1.04B (Table 1)
"The experiments are performed on the 1B Word Benchmark data set introduced by (Chelba et al., 2013), which is a publicly available benchmark for measuring progress of statistical language modeling. The data set contains about 0.8B words with a vocabulary of 793471 words, including sentence boundary markers."
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 × 10²⁰ FLOP
- Cómo se estableció
- Hardware,Operation counting
assuming (!) 10 days similarly to another model in the paper 240*3600*5046000000000*32*0.3 = 4.1853542e+19 assuming (!) 50 epochs similarly to another model in the paper 6*1.04*10^9*0.8*10^9*50 = 2.496e+20 sqrt(4.1853542e+19*2.496e+20) = 1.0220883e+20
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 Tesla K40s
- Chips utilizados
- 32
- Horas de chip
- 240
- Consumo de energía
- 16.6 kW
- Costo de cómputo
- $71
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Confianza de registro
- Likely
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Exploring the Limits of Language Modeling
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
BIG LSTM+CNN INPUTS fue publicado por Google Brain, en el país registrado como United States of America, durante February 2016. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1 × 10²⁰ FLOP, en hardware registrado como NVIDIA Tesla K40s. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
BIG LSTM+CNN INPUTS — preguntas comunes
BIG LSTM+CNN INPUTS— ¿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.
BIG LSTM+CNN INPUTS— ¿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.
BIG LSTM+CNN INPUTS— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 1B. 1.04B (Table 1). 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.
BIG LSTM+CNN INPUTS— ¿Quién lo creó?
Fue publicado por Google Brain, basado en United States of America, una organización categorizada como industry.
BIG LSTM+CNN INPUTS— ¿cuándo fue lanzado?
Se publicó en February 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.
BIG LSTM+CNN INPUTS— ¿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.
BIG LSTM+CNN INPUTS— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1 × 10²⁰ FLOP, en hardware registrado como NVIDIA Tesla K40s. 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.
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.