DEQ-TrellisNet (WT-103)
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
- Carnegie Mellon University (CMU),Intel Labs
- Type d'organisation
- Academia,Industry
- Pays
- United States of America
- Publié
- 3 September 2019
- Auteurs
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling/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
- 180M
- Données d'entraînement
- 103,000,000 tokens
- Époques
- 12
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
repo but no code for TrellisNet https://github.com/locuslab/deq/tree/master/DEQ-Sequence
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
- 873
- Données de référence
- DEQ-TrellisNet
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Deep Equilibrium Models
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
DEQ-TrellisNet (WT-103) a été publié par Carnegie Mellon University (CMU),Intel Labs, dans le pays enregistré comme United States of America, durant September 2019. Cela provient d'une organisation classée comme academia,Industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a consommé un corpus d'environ 103,000,000 jetons de texte
Réponses
DEQ-TrellisNet (WT-103) — questions courantes
DEQ-TrellisNet (WT-103)— quand a-t-il été publié ?
Il a été publié dans September 2019. 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.
DEQ-TrellisNet (WT-103)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation. 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.
DEQ-TrellisNet (WT-103)— 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.
DEQ-TrellisNet (WT-103)— 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.
DEQ-TrellisNet (WT-103)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 180M. 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.
DEQ-TrellisNet (WT-103)— qui l'a créé ?
Il a été publié par Carnegie Mellon University (CMU),Intel Labs, basé sur United States of America, une organisation catégorisée comme academia,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.