RNNsearch-50*
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
- Jacobs University Bremen,University of Montreal / Université de Montréal
- Szervezet típusa
- Academia,Academia
- Ország
- Germany, Canada
- Közölt
- 1 September 2014
- Szerzők
- D Bahdanau, K Cho, Y Bengio
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Language
- Feladat
- Translation
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
- 232,000,000 tokens
[WORDS] "WMT ’14 contains the following English-French parallel corpora: Europarl (61M words), news commentary (5.5M), UN (421M) and two crawled corpora of 90M and 272.5M words respectively, totaling 850M words. Following the procedure described in Cho et al. (2014a), we reduce the size of the combined corpus to have 348M words using the data selection method by Axelrod et al. (2011)."
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
- 1.6 × 10¹⁸ FLOP
- Hogyan jött létre
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. 0.018 pfs-days (86400*10^15*0.018) 252 hours in a Quadro K-6000 GPU (assumed utilization: 0.33) 5196000000000 FLOP/s *252 hours * 3600 second/hour * 0.33 utilization = 1555200000000000000 FLOP
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA Quadro K6000
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Határmodell
- Yes
- Miért követik nyomon
- Highly cited
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 29,415
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Neural Machine Translation by Jointly Learning to Align and Translate
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Háttér
RNNsearch-50* ki lett adva által Jacobs University Bremen,University of Montreal / Université de Montréal, az országban rögzítve mint Germany, alatt September 2014. Egy olyan szervezetből származik, amelyet kategorizálnak mint academia,Academia.
Működik a területen a Language, és úgy van rögzítve, mint a feladat végrehajtása translation.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
A képzés futás körülbelül 1.6 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA Quadro K6000. 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 232,000,000 szöveg tokenjei
Az oka, hogy egyáltalán megjelenik ebben a katalógusban: highly cited.
Válaszok
RNNsearch-50* — gyakori kérdések
RNNsearch-50*— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
RNNsearch-50*— Ki készítette ezt?
Kiadta Jacobs University Bremen,University of Montreal / Université de Montréal, alapján Germany, egy szervezet, amelyet kategorizáltak mint academia,Academia.
RNNsearch-50*— Mikor adták ki?
Kibocsátották a September 2014. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RNNsearch-50*— Mire használják?
Működik a területen a Language, és rögzítve van, hogy kezeli a feladatot translation. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
RNNsearch-50*— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.6 × 10¹⁸ FLOP, hardveren rögzítve NVIDIA Quadro K6000. 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.
RNNsearch-50*— 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.
RNNsearch-50*— 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..