LBL
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
- University College London (UCL)
- Tipo de Organización
- Academia
- País
- United Kingdom of Great Britain and Northern Ireland
- Publicado
- 27 June 2012
- Autores
- Andriy Mnih, Yee Whye Teh
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
- 2M
- Datos de entrenamiento
- 929,000 tokens
- Épocas
- 45
Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameter…
The paper does not explicitly state the number of epochs used for training the LBL models. However, it provides some relevant information: In Section 4, it mentions that the learning rates were adapted at the end of each epoch based on the validation set perplexity. In Section 4.1, it states: "NCE took about twice as many epochs as ML to converge." For maximum likelihood (ML) training, the training time is reported as 21 hours. So we can deduce: ML training took 21 hours and NCE took twice …
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
- 5 × 10¹⁴ FLOP
- Cómo se estableció
- Operation counting
6 FLOP / parameter / token * 2000000 parameters ['Likely' confidence] * 929000 tokens * 45 epochs ["Likely" confidence] = 5.0166e+14 FLOP
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 835
- Datos de referencia
- LBL
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- A Fast and Simple Algorithm for Training Neural Probabilistic Language Models
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
LBL fue publicado por University College London (UCL), en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante June 2012. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
El entrenamiento consumió alrededor de 5 × 10¹⁴ FLOP. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 929,000 tokens de texto
Respuestas
LBL — preguntas comunes
LBL— ¿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.
LBL— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
LBL— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 2M. Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameters is approximately 2 million. 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.
LBL— ¿Quién lo creó?
Fue publicado por University College London (UCL), basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como academia.
LBL— ¿cuándo fue lanzado?
Se publicó en June 2012. 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.
LBL— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
LBL— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5 × 10¹⁴ 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.