RNNsearch-50*
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
- Jacobs University Bremen,University of Montreal / Université de Montréal
- Tipo de Organización
- Academia,Academia
- País
- Germany, Canada
- Publicado
- 1 September 2014
- Autores
- D Bahdanau, K Cho, Y Bengio
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Translation
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
- 232,000,000 tokens
[WORDS] "WMT ’14 contains the following English-French parallel corpora: Europarl (61M words), news commentary (5.5M), UN (421M) and two crawled corpora of 90M and 272.5M words respectively, totaling 850M words. Following the procedure described in Cho et al. (2014a), we reduce the size of the combined corpus to have 348M words using the data selection method by Axelrod et al. (2011)."
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
- 1.6 × 10¹⁸ FLOP
- Cómo se estableció
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. 0.018 pfs-days (86400*10^15*0.018) 252 hours in a Quadro K-6000 GPU (assumed utilization: 0.33) 5196000000000 FLOP/s *252 hours * 3600 second/hour * 0.33 utilization = 1555200000000000000 FLOP
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 Quadro K6000
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
- Por qué se rastrea
- Highly cited
- Confianza de registro
- Confident
- Citas
- 29,415
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Neural Machine Translation by Jointly Learning to Align and Translate
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
RNNsearch-50* fue publicado por Jacobs University Bremen,University of Montreal / Université de Montréal, en el país registrado como Germany, durante September 2014. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de translation.
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 entrenamiento consumió alrededor de 1.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA Quadro K6000. 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 232,000,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: highly cited.
Respuestas
RNNsearch-50* — preguntas comunes
RNNsearch-50*— ¿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.
RNNsearch-50*— ¿Quién lo creó?
Fue publicado por Jacobs University Bremen,University of Montreal / Université de Montréal, basado en Germany, una organización categorizada como academia,Academia.
RNNsearch-50*— ¿cuándo fue lanzado?
Se publicó en September 2014. 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.
RNNsearch-50*— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de translation. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
RNNsearch-50*— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA Quadro K6000. 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.
RNNsearch-50*— ¿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.
RNNsearch-50*— ¿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.
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.