Libratus
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)
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 19 August 2017
- Auteurs
- N Brown, T Sandholm, S Machine
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Games
- Tâche
- Poker
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
- 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
- 5.5 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
"In total, Libratus used about 25 million core hours. Of those, about 13 million core hours were used for exploratory experiments and evaluation. About 6 million core hours were spent on the initial abstraction and equilibrium finding component, another 3 million were used for nested subgame solving, and about 3 million were used on the self-improvement algorithm." "Like many data-centric supercomputers, Bridges offers a relatively a modest number of FLOPS, but lots of memory: 895 teraflops and…
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.
- Heures de puce
- 857,000
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
- Likely
- Citations
- 104
Claims to be first ML system to reach superhuman level at No Limit Poker Texas Hold Em "Heads-up nolimit Texas Hold’em has long been the primary benchmark challenge for imperfect-information games. In January 2017 Libratus beat a team of four top-10 headsup no-limit specialist professionals in a 120,000-hand 20-day Brains vs. AI challenge match. That is the first time an AI has beaten top humans in this game. Libratus beat the humans by a large margin (147 mbb/hand), with 99.98% statistical sig…
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Libratus: The Superhuman AI for No-Limit Poker
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
Contexte
Libratus a été publié par Carnegie Mellon University (CMU), dans le pays enregistré comme United States of America, durant August 2017. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Games, et est enregistré comme exécutant la tâche de poker.
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.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 5.5 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il est suivi dans le ensemble de données sous-jacent pour une raison particulière : sOTA improvement.
Réponses
Libratus — questions courantes
Libratus— à quoi ça sert ?
Il fonctionne dans le domaine de Games, et est enregistré comme gérant la tâche de poker. 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.
Libratus— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.5 × 10²⁰ 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.
Libratus— 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.
Libratus— 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.
Libratus— 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.
Libratus— qui l'a créé ?
Il a été publié par Carnegie Mellon University (CMU), basé sur United States of America, une organisation catégorisée comme academia.
Libratus— 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.
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.