R-Transformer
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
- Michigan State University,TAL Education Group (Xueersi)
- Type d'organisation
- Academia,Industry
- Pays
- United States of America, China
- Publié
- 12 July 2019
- Auteurs
- Zhiwei Wang, Yao Ma, Zitao Liu, Jiliang Tang
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
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
- 15.8M
- Données d'entraînement
- 912,344 tokens
- Époques
- 100
https://colab.research.google.com/drive/1afDpFvO3Dtry2Mdg8C1aUBV_sMF7LGb7?usp=sharing
default number of epochs in the code: https://github.com/DSE-MSU/R-transformer/tree/master/language_word
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
- 8.6 × 10¹⁵ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / token / parameter * 15800000 parameters * 912344 tokens * 100 epochs = 8.6490211e+15 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
- Open (non-commercial)
code, no clear license: https://github.com/DSE-MSU/R-transformer/tree/master/language_word
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
- 116
- Données de référence
- R-Transformer
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- R-Transformer: Recurrent Neural Network Enhanced Transformer
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
R-Transformer a été publié par Michigan State University,TAL Education Group (Xueersi), dans le pays enregistré comme United States of America, durant July 2019. L'organisation de publication est catégorisée comme academia,Industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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 consommé environ 8.6 × 10¹⁵ 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 912,344 jetons de texte
Réponses
R-Transformer — questions courantes
R-Transformer— 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.
R-Transformer— 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.
R-Transformer— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 15.8M. https://colab.research.google.com/drive/1afDpFvO3Dtry2Mdg8C1aUBV_sMF7LGb7?usp=sharing. 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.
R-Transformer— qui l'a créé ?
Il a été publié par Michigan State University,TAL Education Group (Xueersi), basé sur United States of America, une organisation catégorisée comme academia,Industry.
R-Transformer— quand a-t-il été publié ?
Il a été publié dans July 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.
R-Transformer— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
R-Transformer— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 8.6 × 10¹⁵ 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.
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.