genCNN + dyn eval
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University
- Tipo de organización
- Academia,Industry,Academia
- País
- China, Ireland
- Publicado
- 17 March 2015
- Autores
- Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu
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 utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Parámetros
- 8M
- Datos de entrenamiento
- 929,000 tokens
8M according to https://arxiv.org/pdf/1508.06615
Entrenamiento de computación
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 cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 3.4 × 10¹⁶ FLOP
- Cómo se estableció
- Hardware,Operation counting
5046000000000 FLOP / sec/ GPU * 1 GPU * 48 hours ["Likely" confidence since 2 days of training refer to another dataset] * 3600 sec / hour * 0.3 [assumed utilization] = 2.6158464e+17 FLOP Assuming (!) 100 epochs (-> "Speculative" confidence"): 6 FLOP / parameter / token * 8000000 parameters * 929000 tokens * 100 epochs = 4.4592e+15 FLOP sqrt(2.6158464e+17*4.4592e+15 ) = 3.4153451e+16 FLOP ________ in the algorithmic progress report paper the estimation was 7.3 × 10^16 FLOP (hardware-based es…
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA Tesla K40s
- Tiempo en tiempo real
- 48 hours
" The optimization is done mainly on a Tesla K40 GPU, which takes about 2 days for the training on a dataset containing 1M sentences." this training doesn't refer to the PTB dataset but to wiki dataset so it is likely an upper bound
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Speculative
- Citas
- 33
- Benchmark data
- genCNN + dyn eval
"genCNN outperforms the state-ofthe-arts with big margins."
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- genCNN: A Convolutional Architecture for Word Sequence Prediction
- Última actualización
- 28 November 2025
Qué significan los números
Background
genCNN + dyn eval was published by Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, in China, in March 2015. academia,Industry,Academia is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Cómo fue entrenado
Training it took roughly 3.4 × 10¹⁶ FLOP of computation, on NVIDIA Tesla K40s — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 929,000 tokens of text.
Se rastrea en el conjunto de datos subyacente por una razón en particular: mejora sOTA.
Respuestas
genCNN + dyn eval — Preguntas frecuentes
Is genCNN + dyn eval open source?
No. genCNN + dyn eval has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does genCNN + dyn eval have?
genCNN + dyn eval has 8M parameters. 8M according to https://arxiv.org/pdf/1508.06615. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created genCNN + dyn eval?
genCNN + dyn eval was published by Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, based in China, categorised as academia,Industry,Academia.
When was genCNN + dyn eval released?
genCNN + dyn eval was published in March 2015. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is genCNN + dyn eval used for?
genCNN + dyn eval works in Language, and is recorded as handling language modeling. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train genCNN + dyn eval?
Around 3.4 × 10¹⁶ FLOP, on NVIDIA Tesla K40s. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run genCNN + dyn eval?
None. genCNN + dyn eval is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.