GigaGAN
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
- POSTECH,Carnegie Mellon University (CMU),Adobe
- Type d'organisation
- Academia,Academia,Industry
- Pays
- Korea (Republic of), United States of America
- Publié
- 19 June 2023
- Auteurs
- Minguk Kang, Jun-Yan Zhu, Richard Zhang, Jaesik Park, Eli Shechtman, Sylvain Paris, Taesung Park
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Image generation
- Tâche
- Text-to-image, Image generation
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
- 1B
- Données d'entraînement
- 1,960,000,000 tokens
1B (Table 2)
[IMAGES] 0.98B of training images (table 2)
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 3.9 × 10²² FLOP
- Comment cela a été établi
- Hardware
"GigaGAN and SD-v1.5 require 4,783 and 6,250 A100 GPU days" 312*10^12 FLOP / sec / GPU * 4783 GPU-days * 24 hours / day * 3600 sec / hour * 0.3 [assumed utilization] = 3.8680312e+22 FLOP
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.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Scaling up GANs for Text-to-Image Synthesis
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
GigaGAN a été publié par POSTECH,Carnegie Mellon University (CMU),Adobe, dans le pays enregistré comme Korea (Republic of), durant June 2023. L'organisation de publication est catégorisée comme academia,Academia,Industry.
Il fonctionne dans le domaine de Image generation, et est enregistré comme exécutant la tâche de text-to-image, Image generation.
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
La production a nécessité des calculs totalisant environ 3.9 × 10²² FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'entraînement a consommé un corpus d'environ 1,960,000,000 jetons de texte
Réponses
GigaGAN — questions courantes
GigaGAN— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 3.9 × 10²² FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
GigaGAN— 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.
GigaGAN— 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.
GigaGAN— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 1B. 1B (Table 2). 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.
GigaGAN— qui l'a créé ?
Il a été publié par POSTECH,Carnegie Mellon University (CMU),Adobe, basé sur Korea (Republic of), une organisation catégorisée comme academia,Academia,Industry.
GigaGAN— quand a-t-il été publié ?
Il a été publié dans June 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.
GigaGAN— à quoi ça sert ?
Il fonctionne dans le domaine de Image generation, et est enregistré comme gérant la tâche de text-to-image, Image generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
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.