ReALM
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Apple
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 29 March 2024
- Autori
- Joel Ruben Antony Moniz, Soundarya Krishnan, Melis Ozyildirim, Prathamesh Saraf, Halim Cagri Ates, Yuan Zhang, Hong Yu, Nidhi Rajshree
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Named entity recognition (NER), Language modeling, Part-of-speech tagging
- Approccio
- Supervised
- Modello di base
- Flan-T5 11B
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 3B
- Dati di addestramento
- 134,000,000,000 tokens
Fine-tuned FLAN-T5 models ranging from 80M to 3B
2300 training examples from conversation; 3900 synthetically generated training examples; 10100 training examples using context from a phone screen.
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
- Codice di addestramento
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- SOTA improvement
- Record fiducia
- Confident
"We show that ReaLM outperforms previous approaches, and performs roughly as well as the state-of-the-art LLM today, GPT-4, despite consisting of far fewer parameters." "We also benchmark against GPT-3.5 and GPT-4, with our smallest model achieving performance comparable to that of GPT-4, and our larger models substantially outperforming it." I don't see any standard benchmarks that they would claim SOTA on
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- ReALM: Reference Resolution As Language Modeling
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
ReALM è stato pubblicato da Apple, nel paese registrato come United States of America, durante March 2024. Esce da un'organizzazione categorizzata come industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di named entity recognition (NER), Language modeling, Part-of-speech tagging.
Costruisce su Flan-T5 11B. Quello è il modo abituale in cui viene prodotto un modello specializzato.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Cosa è stato necessario per costruirlo
È stato addestrato su un corpus di circa 134,000,000,000 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
ReALM — domande comuni
ReALM— chi l'ha creato?
È stato pubblicato da Apple, basato su United States of America, un'organizzazione categorizzata come industry.
ReALM— quando è stato rilasciato?
È stato pubblicato in March 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
ReALM— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di named entity recognition (NER), Language modeling, Part-of-speech tagging. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
ReALM— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
ReALM— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
ReALM— quanti parametri ha?
Ha un numero di parametri di 3B. Fine-tuned FLAN-T5 models ranging from 80M to 3B. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.