GigaGAN
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
- POSTECH,Carnegie Mellon University (CMU),Adobe
- Szervezet típusa
- Academia,Academia,Industry
- Ország
- Korea (Republic of), United States of America
- Közölt
- 19 June 2023
- Szerzők
- Minguk Kang, Jun-Yan Zhu, Richard Zhang, Jaesik Park, Eli Shechtman, Sylvain Paris, Taesung Park
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Image generation
- Feladat
- Text-to-image, Image generation
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
- 1B
- Képzési adatok
- 1,960,000,000 tokens
1B (Table 2)
[IMAGES] 0.98B of training images (table 2)
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.9 × 10²² FLOP
- Hogyan jött létre
- Hardware
"GigaGAN and SD-v1.5 require 4,783 and 6,250 A100 GPU days" 312*10^12 FLOP / sec / GPU * 4783 GPU-days * 24 hours / day * 3600 sec / hour * 0.3 [assumed utilization] = 3.8680312e+22 FLOP
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.
- Nyilvántartási bizalom
- Confident
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Scaling up GANs for Text-to-Image Synthesis
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Erről a modelről
GigaGAN ki lett adva által POSTECH,Carnegie Mellon University (CMU),Adobe, az országban rögzítve mint Korea (Republic of), alatt June 2023. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Industry.
Működik a területen a Image generation, és úgy van rögzítve, mint a feladat végrehajtása text-to-image, Image generation.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A létrehozásához körülbelül összesítő aritmetikára volt szükség. 3.9 × 10²² FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
A képzés körülbelül egy korpuszt fogyasztott 1,960,000,000 szöveg tokenjei
Válaszok
GigaGAN — gyakori kérdések
GigaGAN— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.9 × 10²² FLOP. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
GigaGAN— 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.
GigaGAN— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
GigaGAN— Hány paramétere van?
Paraméterszáma 1B. 1B (Table 2). 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.
GigaGAN— Ki készítette ezt?
Kiadta POSTECH,Carnegie Mellon University (CMU),Adobe, alapján Korea (Republic of), egy szervezet, amelyet kategorizáltak mint academia,Academia,Industry.
GigaGAN— Mikor adták ki?
Kibocsátották a June 2023. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
GigaGAN— Mire használják?
Működik a területen a Image generation, és rögzítve van, hogy kezeli a feladatot text-to-image, Image generation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
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..