LSTM-Large+Behaviorial-Gating

Zárt súlyok University of Southern California 67M Paraméterek August 2019

Nincs becslés

Ennekhez a modellhez nincs hardverkövetelmény

A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..

Felvételen

Teljes specifikáció

Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..

Eredet

Ki építette ezt a modellt, hol, és mikor publikálták.

Szervezet
University of Southern California
Szervezet típusa
Academia
Ország
United States of America
Kiadva
31 August 2019
Szerzők
Prashanth Gurunath Shivakumar, Shao-Yen Tseng, Panayiotis Georgiou, Shrikanth Narayanan

Mit csinál

A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.

Irányítószám
Language
Feladat
Language modeling

Méret

Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.

Paraméterek
67M
Képzési adatok
tokens

Elérhetőség

Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.

Súlyok
Closed — provider access only
Modell hozzáférés
Unreleased
Képzés kód
Unreleased

Hogyan van besorolva

Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.

Citations
3
Benchmark data
LSTM-Large+Behaviorial-Gating

Források

Honnan származik ez a rekord és mikor ellenőrizték utoljára.

Referencia
Behavior Gated Language Models
Utoljára frissítve
28 November 2025

Mit jelentek a számok

Mit jelent ez a modell?

LSTM-Large+Behaviorial-Gating was published by University of Southern California, in United States of America, in August 2019. academia is the category the publisher falls under.

It works in Language, and is recorded as doing language modeling.

Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.

Válaszok

LSTM-Large+Behaviorial-Gating — Gyakran ismételt kérdések

01

Who created LSTM-Large+Behaviorial-Gating?

LSTM-Large+Behaviorial-Gating was published by University of Southern California, based in United States of America, categorised as academia.

02

When was LSTM-Large+Behaviorial-Gating released?

LSTM-Large+Behaviorial-Gating was published in August 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.

03

What is LSTM-Large+Behaviorial-Gating used for?

LSTM-Large+Behaviorial-Gating works in Language, and is recorded as handling language modeling. 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.

04

What GPU do I need to run LSTM-Large+Behaviorial-Gating?

None. LSTM-Large+Behaviorial-Gating 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.

05

Is LSTM-Large+Behaviorial-Gating open source?

No. LSTM-Large+Behaviorial-Gating has not had its weights published, so it exists only as a service controlled by its owner.

06

How many parameters does LSTM-Large+Behaviorial-Gating have?

Az LSTM-Large+Behaviorial-Gating 67M paraméterrel rendelkezik. Ez a szám az összesített érték, és ez határozza meg, hogy mennyi memória szükséges a modellhez - körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítésnél.

Forrás

Eredeti közzététel

Utolsó frissítés időpontja 28 November 2025

A másik irány

Másik oldalról nézve?

Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.