ADP-FAIRSEQ + NGRAMRES
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
- Nara Institute of Science and Technology,Chinese University of Hong Kong (CUHK),Tsinghua University
- Type d'organisation
- Academia,Academia,Academia
- Pays
- Japan, Hong Kong, China
- Publié
- 28 September 2018
- Auteurs
- Huayang Li, Deng Cai, Jin Xu, Taro Watanabe
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
- Modèle de base
- Transformer (Adaptive Input Embeddings) WT103
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
- 247M
- Données d'entraînement
- tokens
247M (Table 2)
"The training set contains around 101M 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
- 1.5 × 10¹⁷ FLOP
- Comment cela a été établi
- Operation counting
6NC = 6 * 247000000 * 101000000 = 1.49682e+17 (no information about epochs -> speculative confidence)
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)
https://github.com/ghrua/NgramRes (no specific license)
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
- Speculative
- Citations
- 3
- Données de référence
- ADP-FAIRSEQ
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- N-gram Is Back: Residual Learning of Neural Text Generation with n-gram Language Model
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
D'où cela vient-il
ADP-FAIRSEQ + NGRAMRES a été publié par Nara Institute of Science and Technology,Chinese University of Hong Kong (CUHK),Tsinghua University, dans le pays enregistré comme Japan, durant September 2018. La catégorie à laquelle appartient l'éditeur est academia,Academia,Academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
Son point de départ était un modèle de base existant, Transformer (Adaptive Input Embeddings) WT103. C'est pourquoi il partage la forme et la taille générales du modèle de base.
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.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 1.5 × 10¹⁷ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
ADP-FAIRSEQ + NGRAMRES — questions courantes
ADP-FAIRSEQ + NGRAMRES— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.5 × 10¹⁷ 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.
ADP-FAIRSEQ + NGRAMRES— 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.
ADP-FAIRSEQ + NGRAMRES— 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.
ADP-FAIRSEQ + NGRAMRES— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 247M. 247M (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.
ADP-FAIRSEQ + NGRAMRES— qui l'a créé ?
Il a été publié par Nara Institute of Science and Technology,Chinese University of Hong Kong (CUHK),Tsinghua University, basé sur Japan, une organisation catégorisée comme academia,Academia,Academia.
ADP-FAIRSEQ + NGRAMRES— quand a-t-il été publié ?
Il a été publié dans September 2018. 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.
ADP-FAIRSEQ + NGRAMRES— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. 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.