PaLI-3
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
- Google DeepMind,Google Research,Google Cloud
- Tipo di organizzazione
- Industry,Industry,Industry
- Paese
- United States of America
- Pubblicato
- 17 October 2023
- Autori
- Xi Chen, Xiao Wang, Lucas Beyer, Alexander Kolesnikov, Jialin Wu, Paul Voigtlaender, Basil Mustafa, Sebastian Goodman, Ibrahim Alabdulmohsin, Piotr Padlewski, Daniel Salz, Xi Xiong, Daniel Vlasic, Filip Pavetic, Keran Rong, Tianli Yu, Daniel Keysers, Xiaohua Zhai, Radu Soricut
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Multimodal, Language, Vision
- Compito
- Visual question answering, Character recognition (OCR), Image captioning
- Modello di base
- UL2
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
- 5B
- Dati di addestramento
- tokens
5B
contrastive image pretraining at 224² then high‑res 812–1064²
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
Table 2, Table 5
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- PaLI-3 Vision Language Models: Smaller, Faster, Stronger
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
PaLI-3 è stato pubblicato da Google DeepMind,Google Research,Google Cloud, nel paese registrato come United States of America, durante October 2023. L'organizzazione di pubblicazione è classificata come industry,Industry,Industry.
Funziona nel dominio di Multimodal, Language, Vision, ed è registrato come eseguire il compito di visual question answering, Character recognition (OCR), Image captioning.
Invece di essere addestrato da zero, è derivato da UL2. La maggior parte dei modelli di questa scala sono adattati da una base esistente piuttosto che costruiti da zero.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Addestramento e provenienza
È tracciato nel dataset sottostante per una ragione in particolare: sOTA improvement.
Risposte
PaLI-3 — domande comuni
PaLI-3— quando è stato rilasciato?
È stato pubblicato in October 2023. 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.
PaLI-3— A cosa serve?
Funziona nel dominio di Multimodal, Language, Vision, e viene registrato come gestire il compito di visual question answering, Character recognition (OCR), Image captioning. 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.
PaLI-3— 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.
PaLI-3— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
PaLI-3— quanti parametri ha?
Ha un numero di parametri di 5B. 5B. 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.
PaLI-3— chi l'ha creato?
È stato pubblicato da Google DeepMind,Google Research,Google Cloud, basato su United States of America, un'organizzazione categorizzata come industry,Industry,Industry.
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.