ASE
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
- NVIDIA,University of California (UC) Berkeley
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 5 May 2022
- Auteurs
- Xue Bin Peng, Yunrong Guo, Lina Halper, Sergey Levine, Sanja Fidler
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Robotics
- Tâche
- Animal (human/non-human) imitation
- Approche
- Reinforcement learning
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.
- Données d'entraînement
- tokens
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
- 4.5 × 10¹⁹ FLOP
- Comment cela a été établi
- Hardware
Training was done using the Isaac Gym simulator on an NVIDIA V100 GPU. The model was trained on over 10 billion samples, which equates to 10 years of simulated experience time. Training took around 10 days on a single GPU. 1.3e14 * 10 * 24 * 3600 * 0.4 = 4.49e19
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA Tesla V100 PCIe 16 GB
- Temps en temps réel
- 240 hours (10 days)
Training took around 10 days on a single GPU.
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
- Likely
- Citations
- 56
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
ASE a été publié par NVIDIA,University of California (UC) Berkeley, dans le pays enregistré comme United States of America, durant May 2022. L'organisation de publication est catégorisée comme industry,Academia.
Il fonctionne dans le domaine de Robotics, et est enregistré comme exécutant la tâche de animal (human/non-human) imitation.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a consommé environ 4.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 PCIe 16 GB. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ASE — questions courantes
ASE— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
ASE— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
ASE— qui l'a créé ?
Il a été publié par NVIDIA,University of California (UC) Berkeley, basé sur United States of America, une organisation catégorisée comme industry,Academia.
ASE— quand a-t-il été publié ?
Il a été publié dans May 2022. 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.
ASE— à quoi ça sert ?
Il fonctionne dans le domaine de Robotics, et est enregistré comme gérant la tâche de animal (human/non-human) imitation. 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.
ASE— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA Tesla V100 PCIe 16 GB. 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.
ASE— 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.
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.