RNN 1000/5 + RT09 LM (NIST RT05)
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
- Brno University of Technology,Johns Hopkins University
- Type d'organisation
- Academia,Academia
- Pays
- Czechia, United States of America
- Publié
- 26 September 2010
- Auteurs
- T. Mikolov, M. Karafiat, L. Burget, J. Cernocky, and S. Khudanpur
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Speech
- Tâche
- Speech recognition (ASR), Transcription
- Approche
- Supervised
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
- 77M
- Données d'entraînement
- 5,400,000 tokens
- Époques
- 20
"The acoustic HMMs are based on cross-word tied-states triphones trained discriminatively using MPE criteria. Feature extraction use 13 Mel-PLP’s features with deltas, double and triple deltas reduced by HLDA to 39-dimension feature vector" RNN 1000/5 indicates that the model has a 1000 units in the hidden layer and merges words that occur less than 5 times in the training set. Section 4.2 in this paper appears to indicate that NIST RT05 has a vocabulary of 50k words: https://www.fit.vut.cz/pe…
"Table 4: Comparison of very large back-off LMs and RNN LMs trained only on limited in-domain data (5.4M words)."
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 × 10¹⁶ FLOP
- Comment cela a été établi
- Operation counting
"Convergence is usually achieved after 10-20 epochs." Assuming a backward-forward ratio of 2:1, since this is a shallow network 6 * 77039000 * 5.4M * 20 = 5.00e16
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.
- Temps en temps réel
- 1,200 hours (50 days)
The biggest individual models evaluated on WSJ (probably RNN 250/2 at 27M parameters) took about 2.1e16 FLOPs to train, and training took "several weeks". Assuming a linear scaleup and several = about 3: 3 weeks * 7 days/week * 24 hr/day * 5e16/2.1e16 = 1,200 hours
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
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
- Confiance d'enregistrement
- Likely
- Citations
- 6,038
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Recurrent neural network based language model
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
Contexte
RNN 1000/5 + RT09 LM (NIST RT05) a été publié par Brno University of Technology,Johns Hopkins University, dans le pays enregistré comme Czechia, durant September 2010. La catégorie à laquelle appartient l'éditeur est academia,Academia.
Il fonctionne dans le domaine de Speech, et est enregistré comme exécutant la tâche de speech recognition (ASR), Transcription.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
La production a nécessité des calculs totalisant environ 5 × 10¹⁶ 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 5,400,000 jetons de texte
Son critère d'inclusion : highly cited.
Réponses
RNN 1000/5 + RT09 LM (NIST RT05) — questions courantes
RNN 1000/5 + RT09 LM (NIST RT05)— 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.
RNN 1000/5 + RT09 LM (NIST RT05)— 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.
RNN 1000/5 + RT09 LM (NIST RT05)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 77M. "The acoustic HMMs are based on cross-word tied-states triphones trained discriminatively using MPE criteria. Feature extraction use 13 Mel-PLP’s features with deltas, double and triple deltas reduced by HLDA to 39-dimension feature vector" RNN 1000/5 indicates that the model has a 1000 units in the hidden layer and merges words that occur less than 5 times in the training set. Section 4.2 in this paper appears to indicate that NIST RT05 has a vocabulary of 50k words: https://www.fit.vut.cz/person/imikolov/public/rnnlm/char.pdf Using this dataset of english word frequencies ... https://www.kaggle.com/datasets/rtatman/english-word-frequency ... we can estimate that the number of words in the final vocabulary would have been around 38k when merging with threshold 5: https://colab.research.google.com/drive/1K5qH0EqXtFwTLESNtp4oelCM28GpGXt6?usp=sharing Thus the model in question would have: (39 + 1000 + 38k) * 1000 + 1000 * 38k = 77,039,000 parameters The RT09 LM they interpolate with appears to be a 4-gram model. In one sense, n-gram models have parameters roughly equal to the number of unique n-grams in the training data. However, these aren't parameters in the same sense as neural networks as they are accessed as a lookup table, so on each forward pass only one parameter is active. I choose not to include these parameters in our count. 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.
RNN 1000/5 + RT09 LM (NIST RT05)— qui l'a créé ?
Il a été publié par Brno University of Technology,Johns Hopkins University, basé sur Czechia, une organisation catégorisée comme academia,Academia.
RNN 1000/5 + RT09 LM (NIST RT05)— quand a-t-il été publié ?
Il a été publié dans September 2010. 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.
RNN 1000/5 + RT09 LM (NIST RT05)— à quoi ça sert ?
Il fonctionne dans le domaine de Speech, et est enregistré comme gérant la tâche de speech recognition (ASR), Transcription. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RNN 1000/5 + RT09 LM (NIST RT05)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5 × 10¹⁶ 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.