PaLI-3
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Google DeepMind,Google Research,Google Cloud
- Type d'organisation
- Industry,Industry,Industry
- Pays
- United States of America
- Publié
- 17 October 2023
- Auteurs
- Xi Chen, Xiao Wang, Lucas Beyer, Alexander Kolesnikov, Jialin Wu, Paul Voigtlaender, Basil Mustafa, Sebastian Goodman, Ibrahim Alabdulmohsin, Piotr Padlewski, Daniel Salz, Xi Xiong, Daniel Vlasic, Filip Pavetic, Keran Rong, Tianli Yu, Daniel Keysers, Xiaohua Zhai, Radu Soricut
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Multimodal, Language, Vision
- Tâche
- Visual question answering, Character recognition (OCR), Image captioning
- Modèle de base
- UL2
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 5B
- Données d'entraînement
- tokens
5B
contrastive image pretraining at 224² then high‑res 812–1064²
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
Table 2, Table 5
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- PaLI-3 Vision Language Models: Smaller, Faster, Stronger
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
PaLI-3 a été publié par Google DeepMind,Google Research,Google Cloud, dans le pays enregistré comme United States of America, durant October 2023. L'organisation de publication est catégorisée comme industry,Industry,Industry.
Il fonctionne dans le domaine de Multimodal, Language, Vision, et est enregistré comme exécutant la tâche de visual question answering, Character recognition (OCR), Image captioning.
Plutôt que d'être entraîné depuis le début, il est dérivé de UL2. La plupart des modèles à cette échelle sont adaptés d'une base existante plutôt que construits de rien.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Entraînement et provenance
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
PaLI-3 — questions courantes
PaLI-3— quand a-t-il été publié ?
Il a été publié dans October 2023. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
PaLI-3— à quoi ça sert ?
Il fonctionne dans le domaine de Multimodal, Language, Vision, et est enregistré comme gérant la tâche de visual question answering, Character recognition (OCR), Image captioning. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
PaLI-3— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
PaLI-3— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
PaLI-3— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 5B. 5B. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
PaLI-3— qui l'a créé ?
Il a été publié par Google DeepMind,Google Research,Google Cloud, basé sur United States of America, une organisation catégorisée comme industry,Industry,Industry.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.