Invariant image recognition
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- Complutense University of Madrid
- Type d'organisation
- Academia
- Pays
- Spain
- Publié
- 18 June 1989
- Auteurs
- V. Cruz, G. Cristóbal, T. Michaux, S. Barquin
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Vision
- Tâche
- Representation learning
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Données d'entraînement
- tokens
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.7 × 10¹⁰ FLOP
- Comment cela a été établi
- Hardware
0.5*6*60*60*2.5e6 = 27000000000 = 2.7e10 Trained for 6h on a SUN-4 (section 4) Assumed utilization of 0.5 SUN-4 is estimated at 2.5e6 FLOP/s (Nordhaus, 2007)
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Wall-clock time
- 6 hours
Section 4
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Frontier model
- Yes
- Pourquoi c'est suivi
- Historical significance
- Confiance d'enregistrement
- Confident
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Invariant image recognition using a multi-network neural model
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
Ce que ce modèle est
Invariant image recognition was published by Complutense University of Madrid, in Spain, in June 1989. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing representation learning.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Entraînement et provenance
The training run consumed about 2.7 × 10¹⁰ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Its inclusion criterion is historical significance.
Réponses
Invariant image recognition — Questions fréquentes
Is Invariant image recognition open source?
The licensing for Invariant image recognition was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does Invariant image recognition have?
No parameter count has been published for Invariant image recognition, which is why no memory or speed figure appears on this page.
Who created Invariant image recognition?
Invariant image recognition was published by Complutense University of Madrid, based in Spain, categorised as academia.
When was Invariant image recognition released?
Invariant image recognition was published in June 1989. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Invariant image recognition used for?
Invariant image recognition works in Vision, and is recorded as handling representation learning. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train Invariant image recognition?
Around 2.7 × 10¹⁰ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run Invariant image recognition?
None. Invariant image recognition is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.