DiT-XL/2 + Discriminator Guidance
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
- Korea Advanced Institute of Science and Technology (KAIST),NAVER
- Tipo di organizzazione
- Academia,Industry
- Paese
- Korea (Republic of)
- Pubblicato
- 28 November 2022
- Autori
- Dongjun Kim, Yeongmin Kim, Se Jung Kwon, Wanmo Kang, Il-Chul Moon
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Image generation
- Compito
- Image generation, Text-to-image
- Modello di base
- DiT-XL/2
- Formato numerico
- FP16
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.
- Dati di addestramento
- 327,978,752 tokens
- Epoche
- 10
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA A100
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
- Open (non-commercial)
Attribution-NonCommercial-ShareAlike 4.0 International https://github.com/alsdudrla10/DG?tab=readme-ov-file I cannot see checkpoints / model weights in the repo
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
- Unknown
- Citazioni
- 110
"Using our algorithm, we achive state-of-the-art results on ImageNet 256x256 with FID 1.83 and recall 0.64, similar to the validation data's FID (1.68) and recall (0.66)"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Refining Generative Process with Discriminator Guidance in Score-based Diffusion Models
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
DiT-XL/2 + Discriminator Guidance è stato pubblicato da Korea Advanced Institute of Science and Technology (KAIST),NAVER, nel paese registrato come Korea (Republic of), durante November 2022. L'organizzazione di pubblicazione è classificata come academia,Industry.
Funziona nel dominio di Image generation, ed è registrato come eseguire il compito di image generation, Text-to-image.
Costruisce su DiT-XL/2. 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.
Come è stato addestrato
L'addestramento ha consumato un corpus di circa 327,978,752 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
DiT-XL/2 + Discriminator Guidance — domande comuni
DiT-XL/2 + Discriminator Guidance— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
DiT-XL/2 + Discriminator Guidance— chi l'ha creato?
È stato pubblicato da Korea Advanced Institute of Science and Technology (KAIST),NAVER, basato su Korea (Republic of), un'organizzazione categorizzata come academia,Industry.
DiT-XL/2 + Discriminator Guidance— quando è stato rilasciato?
È stato pubblicato in November 2022. 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.
DiT-XL/2 + Discriminator Guidance— A cosa serve?
Funziona nel dominio di Image generation, e viene registrato come gestire il compito di image generation, Text-to-image. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DiT-XL/2 + Discriminator Guidance— 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.
DiT-XL/2 + Discriminator Guidance— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
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.