Word2Vec (large)
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
- 16 October 2013
- Autores
- T Mikolov, I Sutskever, K Chen, GS Corrado
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Semantic embedding
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
- 692M
- Datos de entrenamiento
- 330,000,000,000 tokens
We discarded from the vocabulary all words that occurred less than 5 times in the training data, which resulted in a vocabulary of size 692K
"we increased the amount of the training data by using a dataset with about 33 billion words"
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
- 3.9 × 10¹⁶ FLOP
- Cómo se estableció
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. "less than 0.00045 pfs days" (86400*10^15*0.00045)
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Tiempo de reloj
- 24 hours
Table 5 appears to call the model "Skip-Phrase" and says it took 1 day
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
- Confianza de registro
- Likely
- Citas
- 35,201
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Distributed Representations of Words and Phrases and their Compositionality
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Word2Vec (large) fue publicado por Google, en el país registrado como United States of America, durante October 2013. La organización editora está clasificada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de semantic embedding.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 3.9 × 10¹⁶ FLOP. 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 330,000,000,000 tokens de texto
Se rastrea en el conjunto de datos subyacente por una razón en particular: highly cited.
Respuestas
Word2Vec (large) — preguntas comunes
Word2Vec (large)— ¿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.
Word2Vec (large)— ¿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.
Word2Vec (large)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 692M. We discarded from the vocabulary all words that occurred less than 5 times in the training data, which resulted in a vocabulary of size 692K. 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.
Word2Vec (large)— ¿Quién lo creó?
Fue publicado por Google, basado en United States of America, una organización categorizada como industry.
Word2Vec (large)— ¿cuándo fue lanzado?
Se publicó en October 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.
Word2Vec (large)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de semantic embedding. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
Word2Vec (large)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.9 × 10¹⁶ FLOP. 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.