LBL
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
- University College London (UCL)
- Type d'organisation
- Academia
- Pays
- United Kingdom of Great Britain and Northern Ireland
- Publié
- 27 June 2012
- Auteurs
- Andriy Mnih, Yee Whye Teh
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
- 2M
- Données d'entraînement
- 929,000 tokens
- Époques
- 45
Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameter…
The paper does not explicitly state the number of epochs used for training the LBL models. However, it provides some relevant information: In Section 4, it mentions that the learning rates were adapted at the end of each epoch based on the validation set perplexity. In Section 4.1, it states: "NCE took about twice as many epochs as ML to converge." For maximum likelihood (ML) training, the training time is reported as 21 hours. So we can deduce: ML training took 21 hours and NCE took twice …
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 × 10¹⁴ FLOP
- Comment cela a été établi
- Operation counting
6 FLOP / parameter / token * 2000000 parameters ['Likely' confidence] * 929000 tokens * 45 epochs ["Likely" confidence] = 5.0166e+14 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.
- Confiance d'enregistrement
- Likely
- Citations
- 835
- Données de référence
- LBL
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- A Fast and Simple Algorithm for Training Neural Probabilistic Language Models
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
LBL a été publié par University College London (UCL), dans le pays enregistré comme United Kingdom of Great Britain and Northern Ireland, durant June 2012. 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.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Comment il a été entraîné
L'entraînement a consommé environ 5 × 10¹⁴ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
L'ensemble d'entraînement a duré environ 929,000 jetons de texte
Réponses
LBL — questions courantes
LBL— 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.
LBL— 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.
LBL— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 2M. Vocabulary size (V) = 10,000 words Context size (c) = 2 words Feature dimension (d) = 100 Plugging this into the parameter count: Context word features: 10,000 x 100 = 1,000,000 Target word features: 10,000 x 100 = 1,000,000 Context weights: 2 x 100 x 100 = 20,000 Total parameters: 1,000,000 + 1,000,000 + 20,000 = 2,020,000 So for the LBL model configuration used in the experiments in this paper, with a 10K word vocabulary, 2-word context, and 100D feature vectors, the total number of parameters is approximately 2 million. 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.
LBL— qui l'a créé ?
Il a été publié par University College London (UCL), basé sur United Kingdom of Great Britain and Northern Ireland, une organisation catégorisée comme academia.
LBL— quand a-t-il été publié ?
Il a été publié dans June 2012. 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.
LBL— 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.
LBL— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5 × 10¹⁴ 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.