Cube-Space AutoEncoder
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
- MIT-IBM Watson AI Lab
- Szervezet típusa
- Academia,Industry
- Ország
- United States of America
- Közölt
- 27 April 2020
- Szerzők
- Masataro Asai, Christian Muise
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Vision, Search
- Feladat
- Visual puzzles
Méret
Mekkora a modell, és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- 4,243,600,000 tokens
"Finally, we tested Mandrill 15-puzzle, a significantly more challenging 4x4 variant of the sliding tile puzzle (Figure 1). We trained the network with more hyperparameter tuning it- erations (300) and a larger training set (50000). We gener- ated l = 14, 21 instances (20 each) and ran the system (Ta- ble 2, bottom right). "
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
- 1.1 × 10¹⁷ FLOP
- Hogyan jött létre
- Hardware
(1) * (4113 * 10**9) * (24 * 3600) * (0.3) = 106608960000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = "For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80" 4.113 TFLOPS from https://www.techpowerup.com/gpu-specs/tesla-k80.c2616
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA Tesla K80
- Használt chipek
- 1
- Chip-óra
- 24
- Fali óra idő
- 24 hours
- Teljesítményfogyasztás
- 337 W
"For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80"
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 56
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Háttér
Cube-Space AutoEncoder ki lett adva által MIT-IBM Watson AI Lab, az országban rögzítve mint United States of America, alatt April 2020. A kiadó szervezet a következő kategóriába tartozik academia,Industry.
Működik a területen a Vision, Search, és úgy van rögzítve, mint a feladat végrehajtása visual puzzles.
Ez egy zárt modell: a betanított értékek azoknál maradtak, akik előállították őket, és nincs helyi verzió a futtatáshoz.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 1.1 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA Tesla K80. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 4,243,600,000 szöveg tokenjei
Válaszok
Cube-Space AutoEncoder — gyakori kérdések
Cube-Space AutoEncoder— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
Cube-Space AutoEncoder— Ki készítette ezt?
Kiadta MIT-IBM Watson AI Lab, alapján United States of America, egy szervezet, amelyet kategorizáltak mint academia,Industry.
Cube-Space AutoEncoder— Mikor adták ki?
Kibocsátották a April 2020. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
Cube-Space AutoEncoder— Mire használják?
Működik a területen a Vision, Search, és rögzítve van, hogy kezeli a feladatot visual puzzles. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
Cube-Space AutoEncoder— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.1 × 10¹⁷ FLOP, hardveren rögzítve NVIDIA Tesla K80. 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.
Cube-Space AutoEncoder— 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.
Cube-Space AutoEncoder— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
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..