RNN 1000/5 + RT09 LM (NIST RT05)
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
- Brno University of Technology,Johns Hopkins University
- Tipo de Organización
- Academia,Academia
- País
- Czechia, United States of America
- Publicado
- 26 September 2010
- Autores
- T. Mikolov, M. Karafiat, L. Burget, J. Cernocky, and S. Khudanpur
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Speech
- Tarea
- Speech recognition (ASR), Transcription
- Enfoque
- Supervised
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
- 77M
- Datos de entrenamiento
- 5,400,000 tokens
- Épocas
- 20
"The acoustic HMMs are based on cross-word tied-states triphones trained discriminatively using MPE criteria. Feature extraction use 13 Mel-PLP’s features with deltas, double and triple deltas reduced by HLDA to 39-dimension feature vector" RNN 1000/5 indicates that the model has a 1000 units in the hidden layer and merges words that occur less than 5 times in the training set. Section 4.2 in this paper appears to indicate that NIST RT05 has a vocabulary of 50k words: https://www.fit.vut.cz/pe…
"Table 4: Comparison of very large back-off LMs and RNN LMs trained only on limited in-domain data (5.4M 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
- 5 × 10¹⁶ FLOP
- Cómo se estableció
- Operation counting
"Convergence is usually achieved after 10-20 epochs." Assuming a backward-forward ratio of 2:1, since this is a shallow network 6 * 77039000 * 5.4M * 20 = 5.00e16
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
- 1,200 hours (50 days)
The biggest individual models evaluated on WSJ (probably RNN 250/2 at 27M parameters) took about 2.1e16 FLOPs to train, and training took "several weeks". Assuming a linear scaleup and several = about 3: 3 weeks * 7 days/week * 24 hr/day * 5e16/2.1e16 = 1,200 hours
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
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
- Likely
- Citas
- 6,038
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Recurrent neural network based language model
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
RNN 1000/5 + RT09 LM (NIST RT05) fue publicado por Brno University of Technology,Johns Hopkins University, en el país registrado como Czechia, durante September 2010. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Speech, y se registra como realizando la tarea de speech recognition (ASR), Transcription.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Entrenamiento y procedencia
Producirlo requirió una aritmética que totaliza alrededor de 5 × 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 5,400,000 tokens de texto
Su criterio de inclusión: highly cited.
Respuestas
RNN 1000/5 + RT09 LM (NIST RT05) — preguntas comunes
RNN 1000/5 + RT09 LM (NIST RT05)— ¿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 1000/5 + RT09 LM (NIST RT05)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
RNN 1000/5 + RT09 LM (NIST RT05)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 77M. "The acoustic HMMs are based on cross-word tied-states triphones trained discriminatively using MPE criteria. Feature extraction use 13 Mel-PLP’s features with deltas, double and triple deltas reduced by HLDA to 39-dimension feature vector" RNN 1000/5 indicates that the model has a 1000 units in the hidden layer and merges words that occur less than 5 times in the training set. Section 4.2 in this paper appears to indicate that NIST RT05 has a vocabulary of 50k words: https://www.fit.vut.cz/person/imikolov/public/rnnlm/char.pdf Using this dataset of english word frequencies ... https://www.kaggle.com/datasets/rtatman/english-word-frequency ... we can estimate that the number of words in the final vocabulary would have been around 38k when merging with threshold 5: https://colab.research.google.com/drive/1K5qH0EqXtFwTLESNtp4oelCM28GpGXt6?usp=sharing Thus the model in question would have: (39 + 1000 + 38k) * 1000 + 1000 * 38k = 77,039,000 parameters The RT09 LM they interpolate with appears to be a 4-gram model. In one sense, n-gram models have parameters roughly equal to the number of unique n-grams in the training data. However, these aren't parameters in the same sense as neural networks as they are accessed as a lookup table, so on each forward pass only one parameter is active. I choose not to include these parameters in our count. 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 1000/5 + RT09 LM (NIST RT05)— ¿Quién lo creó?
Fue publicado por Brno University of Technology,Johns Hopkins University, basado en Czechia, una organización categorizada como academia,Academia.
RNN 1000/5 + RT09 LM (NIST RT05)— ¿cuándo fue lanzado?
Se publicó en September 2010. 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.
RNN 1000/5 + RT09 LM (NIST RT05)— ¿Para qué se utiliza?
Funciona en el dominio de Speech, y se registra como manejando la tarea de speech recognition (ASR), Transcription. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RNN 1000/5 + RT09 LM (NIST RT05)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 5 × 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.