Innervator
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
- Stanford University,California Institute of Technology
- Tipo de Organización
- Academia,Academia
- País
- United States of America
- Publicado
- 1 December 1989
- Autores
- Geoffrey Miller, Peter Todd, and Shailesh Hegde
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Mathematics
- Tarea
- Pattern classification
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
- 0K
- Datos de entrenamiento
- 10,240 tokens
Each net has 5 units
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
- 1.2 × 10⁸ FLOP
- Cómo se estableció
- Operation counting
10 params * 6 FLOP/param/pass * 4 datapoints * 1000 epochs * 50 individuals * 10 generations
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
- Confident
- Citas
- 1,132
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Designing neural networks using genetic algorithms
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Innervator fue publicado por Stanford University,California Institute of Technology, en el país registrado como United States of America, durante December 1989. La categoría en la que se encuentra el editor es academia,Academia.
Funciona en el dominio de Mathematics, y se registra como realizando la tarea de pattern classification.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 1.2 × 10⁸ 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 10,240 tokens de texto
Respuestas
Innervator — preguntas comunes
Innervator— ¿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.
Innervator— ¿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.
Innervator— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 0K. Each net has 5 units. 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.
Innervator— ¿Quién lo creó?
Fue publicado por Stanford University,California Institute of Technology, basado en United States of America, una organización categorizada como academia,Academia.
Innervator— ¿cuándo fue lanzado?
Se publicó en December 1989. 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.
Innervator— ¿Para qué se utiliza?
Funciona en el dominio de Mathematics, y se registra como manejando la tarea de pattern classification. 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.
Innervator— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.2 × 10⁸ 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.