DistBelief NNLM
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
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 16 January 2013
- Auteurs
- Tomas Mikolov, Kai Chen, G. Corrado, J. Dean
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Semantic embedding
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
- 6,000,000,000 tokens
Largest system is trained on 6B words (Table 6)
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
- 2.6 × 10¹⁸ FLOP
- Comment cela a été établi
- Hardware
Trained for 14 days on 180 CPU cores (Table 6) Roughly estimating the performance of CPUs in a HPC around 2013: 16 FP32 operations per cycle, 2.5GHz, 0.3 utilization Time: 14*24*60*60=1209600s FLOPs: 0.3*180*16*2500000000=2160000000000 Training compute: 1209600s * 2160000000000 = 2612736000000000000 = 2.61e18 https://www.wolframalpha.com/input?i=16+FLOP+*+2.5+GHz+*+180+*+14+days+*+0.3
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.
- Chips utilisés
- 180
- Temps en temps réel
- 336 hours (14 days)
- Coût de calcul
- $3,255
Trained for 14 days (Table 6)
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.
- Modèle Frontier
- Yes
- Pourquoi c'est suivi
- Highly cited,SOTA improvement
- Confiance d'enregistrement
- Likely
- Citations
- 41,000
they seem to use their own evaluation protocol, I don't see any standard benchmarks
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Efficient Estimation of Word Representations in Vector Space
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
DistBelief NNLM a été publié par Google, dans le pays enregistré comme United States of America, durant January 2013. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de semantic embedding.
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 2.6 × 10¹⁸ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 6,000,000,000 jetons de texte
Son critère d'inclusion : highly cited,SOTA improvement.
Réponses
DistBelief NNLM — questions courantes
DistBelief NNLM— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
DistBelief NNLM— 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.
DistBelief NNLM— qui l'a créé ?
Il a été publié par Google, basé sur United States of America, une organisation catégorisée comme industry.
DistBelief NNLM— quand a-t-il été publié ?
Il a été publié dans January 2013. 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.
DistBelief NNLM— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de semantic embedding. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
DistBelief NNLM— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.6 × 10¹⁸ 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.
DistBelief NNLM— 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.
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.