DeepStack
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
- University of Alberta,Charles University,Czech Technical University
- Szervezet típusa
- Academia,Academia,Academia
- Ország
- Canada, Czechia
- Közölt
- 6 January 2017
- Szerzők
- Matej Moravčík, Martin Schmid, Neil Burch, Viliam Lisý, Dustin Morrill, Nolan Bard, Trevor Davis, Kevin Waugh, Michael Johanson, Michael Bowling
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Games
- Feladat
- Poker
- Numerikus formátum
- FP32
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
- 2.5M
- Képzési adatok
- 25,380,000,000 tokens
Figure 3, p.9 source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389
"The turn network was trained by solving 10 million randomly generated poker turn games. These turn games used randomly generated ranges, public cards, and a random pot size (10)."
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
- 1.4 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
The largest source of compute necessary for training seems to be the data generation job on 20 GPUs. We count this towards the training compute because it requires simulation using the network. This is analogous to the AlphaGo systems simulating Go games. From p.26: "For the flop network, one million poker flop situations (from after the flop cards are dealt) were generated and solved. These situations were solved using DeepStack’s depth limited solver with the turn network used for the counter…
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Használt chipek
- 20
- Chip-óra
- 4,368
- Fali óra idő
- 218 hours (9.1 days)
from compute notes - around 9 days - half a year of GPU compute using 20 GPUs
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
- Speculative
- Hivatkozások
- 998
first human-competitive poker AI, confirmed by website: https://www.deepstack.ai/
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- DeepStack: Expert-Level Artificial Intelligence in No-Limit Poker
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
DeepStack ki lett adva által University of Alberta,Charles University,Czech Technical University, az országban rögzítve mint Canada, alatt January 2017. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia,Academia.
Működik a területen a Games, és úgy van rögzítve, mint a feladat végrehajtása poker.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Mi került a felépítésébe
A képzés futás körülbelül 1.4 × 10¹⁹ FLOP. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 25,380,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: sOTA improvement.
Válaszok
DeepStack — gyakori kérdések
DeepStack— Hány paramétere van?
Paraméterszáma 2.5M. Figure 3, p.9 source: https://docs.google.com/spreadsheets/d/1Kj4Q5WADcDXtUJLIOfGTCE3tGvxNczEMwyy8QtgSkHk/edit#gid=54587040&fvid=1361937389. 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.
DeepStack— Ki készítette ezt?
Kiadta University of Alberta,Charles University,Czech Technical University, alapján Canada, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia.
DeepStack— Mikor adták ki?
Kibocsátották a January 2017. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
DeepStack— Mire használják?
Működik a területen a Games, és rögzítve van, hogy kezeli a feladatot poker. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DeepStack— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.4 × 10¹⁹ 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.
DeepStack— 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.
DeepStack— 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..