Brain2Qwerty
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
- Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition
- Tipo de Organización
- Industry,Academia,Academia
- País
- United States of America, France, Spain
- Publicado
- 18 February 2025
- Autores
- Jarod Lévy,, Mingfang (Lucy) Zhang, Svetlana Pinet, Jérémy Rapin, Hubert Banville, Stéphane d’Ascoli, Jean-Rémi King
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 generation
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
- 400M
- Datos de entrenamiento
- tokens
- Épocas
- 100
a total of ∼ 400M parameters (258M for Conv, 138M for Trans)
The model is trained for 100 epochs with a batch size of 128 Custom dataset collected from 35 participants typing 128 unique Spanish sentences
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
- 1.6 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
125000000000000 FLOP / GPU / sec [V100 reported, bf16 assumed] * 1 GPU * 12 hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.62e+18 FLOP
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA V100
- Chips utilizados
- 1
- Tiempo de reloj
- 12 hours
- Consumo de energía
- 324 W
Training was conducted on a single NVIDIA Tesla V100 Volta GPU with 32 GB of memory. The total runtime for training one model is ∼12 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
- 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
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Brain-to-Text Decoding: A Non-invasive Approach via Typing
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
Brain2Qwerty fue publicado por Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, en el país registrado como United States of America, durante February 2025. La categoría en la que se encuentra el editor es industry,Academia,Academia.
Funciona en el dominio de Language, y se registra como realizando la tarea de language generation.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 1.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
Brain2Qwerty — preguntas comunes
Brain2Qwerty— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language generation. 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.
Brain2Qwerty— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.6 × 10¹⁸ FLOP, en hardware registrado como NVIDIA V100. 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.
Brain2Qwerty— ¿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.
Brain2Qwerty— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
Brain2Qwerty— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 400M. a total of ∼ 400M parameters (258M for Conv, 138M for Trans). 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.
Brain2Qwerty— ¿Quién lo creó?
Fue publicado por Meta AI,Universite de Technologie de Compiègne – CNRS,Basque Center on Cognition, basado en United States of America, una organización categorizada como industry,Academia,Academia.
Brain2Qwerty— ¿cuándo fue lanzado?
Se publicó en February 2025.
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.