GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)
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
- Ben-Gurion University of the Negev
- Type d'organisation
- Academia
- Pays
- Israel
- Publié
- 29 August 2017
- Auteurs
- Ziv Aharoni, Gal Rattner, Haim Permuter
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
- 38M
- Données d'entraînement
- 2,000,000 tokens
- Époques
- 1,000
38M (Table 2)
" The model was trained for 1000 epochs until the validation score stopped improving."
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
- 4.6 × 10¹⁷ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 38000000 parameters * 2000000 tokens * 1000 epochs = 4.56e+17 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
- Unreleased
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.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- Confident
- Citations
- 4
- Données de référence
- GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)
"Our GL-LSTM model overcame the state-of-the-art results with only two layers and 19M parameters, and further improved the state-of-the-art results with the third layer phase"
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Gradual Learning of Recurrent Neural Networks
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
D'où cela vient-il
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) a été publié par Ben-Gurion University of the Negev, dans le pays enregistré comme Israel, durant August 2017. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling.
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.
Entraînement et provenance
L'entraînement a consommé environ 4.6 × 10¹⁷ 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 2,000,000 jetons de texte
Son critère d'inclusion : sOTA improvement.
Réponses
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) — questions courantes
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 38M. 38M (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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— qui l'a créé ?
Il a été publié par Ben-Gurion University of the Negev, basé sur Israel, une organisation catégorisée comme academia.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— quand a-t-il été publié ?
Il a été publié dans August 2017. 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling. 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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4.6 × 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.
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.