RNN for 1B words
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
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 11 December 2013
- Autores
- Ciprian Chelba, Tomas Mikolov, Mike Schuster, Qi Ge, Thorsten Brants, Phillipp Koehn, Tony Robinson
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
- 20B
- Datos de entrenamiento
- 1,000,000,000 tokens
20B from Table 1
from abstract: 'With almost one billion words of training data, '
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Chips utilizados
- 24
- Horas de chip
- 5,760
- Tiempo de reloj
- 240 hours (10 days)
from Table 1,240 hours on 24 CPUs
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
- Highly cited,SOTA improvement
- Confianza de registro
- Speculative
- Citas
- 1,205
from abstract: 'We show performance of several well-known types of language models, with the best results achieved with a recurrent neural network based language model. The baseline unpruned Kneser-Ney 5-gram model achieves perplexity 67.6; a combination of techniques leads to 35% reduction in perplexity, or 10% reduction in cross-entropy (bits), over that baseline. '
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- One Billion Word Benchmark for Measuring Progress in Statistical Language Modeling
- Última actualización
- 28 November 2025
Qué significan los números
Qué es este modelo
RNN for 1B words fue publicado por Google, en el país registrado como United States of America, durante December 2013. La organización editora está clasificada 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.
Qué se necesitó para construirlo
El entrenamiento consumió un corpus de alrededor de 1,000,000,000 tokens de texto
Su criterio de inclusión: highly cited,SOTA improvement.
Respuestas
RNN for 1B words — preguntas comunes
RNN for 1B words— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
RNN for 1B words— ¿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.
RNN for 1B words— ¿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.
RNN for 1B words— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 20B. 20B from 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.
RNN for 1B words— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
RNN for 1B words— ¿cuándo fue lanzado?
Se publicó en December 2013. 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.
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.