PaLI-3
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Google DeepMind,Google Research,Google Cloud
- Szervezet típusa
- Industry,Industry,Industry
- Ország
- United States of America
- Közölt
- 17 October 2023
- Szerzők
- Xi Chen, Xiao Wang, Lucas Beyer, Alexander Kolesnikov, Jialin Wu, Paul Voigtlaender, Basil Mustafa, Sebastian Goodman, Ibrahim Alabdulmohsin, Piotr Padlewski, Daniel Salz, Xi Xiong, Daniel Vlasic, Filip Pavetic, Keran Rong, Tianli Yu, Daniel Keysers, Xiaohua Zhai, Radu Soricut
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Multimodal, Language, Vision
- Feladat
- Visual question answering, Character recognition (OCR), Image captioning
- Alapmodell
- UL2
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Paraméterek
- 5B
- Képzési adatok
- tokens
5B
contrastive image pretraining at 224² then high‑res 812–1064²
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
- Képzés kód
- Unreleased
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Miért követik nyomon
- SOTA improvement
- Nyilvántartási bizalom
- Confident
Table 2, Table 5
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- PaLI-3 Vision Language Models: Smaller, Faster, Stronger
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
PaLI-3 ki lett adva által Google DeepMind,Google Research,Google Cloud, az országban rögzítve mint United States of America, alatt October 2023. A kiadó szervezet a következő kategóriába tartozik industry,Industry,Industry.
Működik a területen a Multimodal, Language, Vision, és úgy van rögzítve, mint a feladat végrehajtása visual question answering, Character recognition (OCR), Image captioning.
Ahelyett, hogy nulláról lenne betanítva, az származik UL2. A legtöbb modell ezen a skálán egy meglévő alaphoz van igazítva, ahelyett, hogy semmiből épült volna.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
Egy különös okból nyomon követik az alapul szolgáló adatbázisban: sOTA improvement.
Válaszok
PaLI-3 — gyakori kérdések
PaLI-3— Mikor adták ki?
Kibocsátották a October 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
PaLI-3— Mire használják?
Működik a területen a Multimodal, Language, Vision, és rögzítve van, hogy kezeli a feladatot visual question answering, Character recognition (OCR), Image captioning. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
PaLI-3— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
PaLI-3— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
PaLI-3— Hány paramétere van?
Paraméterszáma 5B. 5B. Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
PaLI-3— Ki készítette ezt?
Kiadta Google DeepMind,Google Research,Google Cloud, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry,Industry,Industry.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..