Cube-Space AutoEncoder
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
- MIT-IBM Watson AI Lab
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 27 April 2020
- Auteurs
- Masataro Asai, Christian Muise
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Vision, Search
- Tâche
- Visual puzzles
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
- 4,243,600,000 tokens
"Finally, we tested Mandrill 15-puzzle, a significantly more challenging 4x4 variant of the sliding tile puzzle (Figure 1). We trained the network with more hyperparameter tuning it- erations (300) and a larger training set (50000). We gener- ated l = 14, 21 instances (20 each) and ran the system (Ta- ble 2, bottom right). "
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
- 1.1 × 10¹⁷ FLOP
- Comment cela a été établi
- Hardware
(1) * (4113 * 10**9) * (24 * 3600) * (0.3) = 106608960000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = "For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80" 4.113 TFLOPS from https://www.techpowerup.com/gpu-specs/tesla-k80.c2616
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 K80
- Chips utilisés
- 1
- Heures de puce
- 24
- Temps en temps réel
- 24 hours
- Consommation d'énergie
- 337 W
"For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80"
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
- Citations
- 56
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Contexte
Cube-Space AutoEncoder a été publié par MIT-IBM Watson AI Lab, dans le pays enregistré comme United States of America, durant April 2020. L'organisation de publication est catégorisée comme academia,Industry.
Il fonctionne dans le domaine de Vision, Search, et est enregistré comme exécutant la tâche de visual puzzles.
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
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 4,243,600,000 jetons de texte
Réponses
Cube-Space AutoEncoder — questions courantes
Cube-Space AutoEncoder— 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.
Cube-Space AutoEncoder— qui l'a créé ?
Il a été publié par MIT-IBM Watson AI Lab, basé sur United States of America, une organisation catégorisée comme academia,Industry.
Cube-Space AutoEncoder— quand a-t-il été publié ?
Il a été publié dans April 2020. 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.
Cube-Space AutoEncoder— à quoi ça sert ?
Il fonctionne dans le domaine de Vision, Search, et est enregistré comme gérant la tâche de visual puzzles. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Cube-Space AutoEncoder— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10¹⁷ FLOP, sur matériel enregistré comme NVIDIA Tesla K80. 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.
Cube-Space AutoEncoder— 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.
Cube-Space AutoEncoder— 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.
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.