Heuristic Reinforcement Learning
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
- Purdue University
- Type d'organisation
- Academia
- Pays
- United States of America
- Publié
- 1 October 1965
- Auteurs
- M. Waltz, K. Fu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Robotics
- Tâche
- System control
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
- 1.1 × 10⁶ FLOP
- Comment cela a été établi
- Hardware
Figure 10 shows their largest system is trained for 3h and was trained on an analog IBM 1620 that was simulated on a digital IBM 1710. Nordhaus, 2007 lists the IBM 1620 at 200 multiplications per second and doesn’t contain the 1710 Flops estimate: 0.5 * 3 * 60 * 60 * 200 = 1080000 = 1.08e6 Assumed utilization of 0.5
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
- 3 hours
Figure 10
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
- Historical significance,Highly cited
- Confiance d'enregistrement
- Speculative
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- A heuristic approach to reinforcement learning control systems
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
Heuristic Reinforcement Learning a été publié par Purdue University, dans le pays enregistré comme United States of America, durant October 1965. La catégorie à laquelle appartient l'éditeur est academia.
Il fonctionne dans le domaine de Robotics, et est enregistré comme exécutant la tâche de system control.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10⁶ 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 : historical significance,Highly cited.
Réponses
Heuristic Reinforcement Learning — questions courantes
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— qui l'a créé ?
Il a été publié par Purdue University, basé sur United States of America, une organisation catégorisée comme academia.
Heuristic Reinforcement Learning— quand a-t-il été publié ?
Il a été publié dans October 1965. 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.
Heuristic Reinforcement Learning— à quoi ça sert ?
Il fonctionne dans le domaine de Robotics, et est enregistré comme gérant la tâche de system control. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Heuristic Reinforcement Learning— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10⁶ 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.
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— 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.
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.