RNN+LDA+KN5+cache
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
- Microsoft,Brno University of Technology
- Tipo de organización
- Industry,Academia
- País
- United States of America, Czechia
- Publicado
- 1 December 2012
- Autores
- Tomas Mikolov, Geoffrey Zweig
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
- 9M
- Datos de entrenamiento
- 929,000 tokens
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
- Citas
- 716
- Benchmark data
- RNN+LDA+KN5+cache
"We report perplexity results on the Penn Treebank data, where we achieve a new state-of-the-art"
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Context dependent recurrent neural network language model
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
RNN+LDA+KN5+cache was published by Microsoft,Brno University of Technology, in United States of America, in December 2012. industry,Academia is the category the publisher falls under.
It works in Language, and is recorded as doing language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en otro lugar de este sitio se aplica a él.
Training and provenance
Around 929,000 tokens went into training it.
Se rastrea en el conjunto de datos subyacente por una razón en particular: mejora sOTA.
Respuestas
RNN+LDA+KN5+cache — Preguntas frecuentes
What is RNN+LDA+KN5+cache used for?
RNN+LDA+KN5+cache works in Language, and is recorded as handling language modeling. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run RNN+LDA+KN5+cache?
None. RNN+LDA+KN5+cache 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.
Is RNN+LDA+KN5+cache open source?
No. RNN+LDA+KN5+cache has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RNN+LDA+KN5+cache have?
RNN+LDA+KN5+cache has 9M parameters. 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 RNN+LDA+KN5+cache?
RNN+LDA+KN5+cache was published by Microsoft,Brno University of Technology, based in United States of America, categorised as industry,Academia.
When was RNN+LDA+KN5+cache released?
RNN+LDA+KN5+cache was published in December 2012. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
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.