Discriminator Guidance
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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
- 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
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 2.2 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
481 hours * 312 TFLOPS (A100) * 40% utilization
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 PCIe
- Tempo di parete
- 481 hours (20 days)
- Costo di calcolo
- $338
Table 6
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
- Open — downloadable
- Accesso al modello
- Open weights (non-commercial)
- Codice di addestramento
- Open (non-commercial)
https://github.com/alsdudrla10/DG Attribution-NonCommercial-ShareAlike 4.0 International checkpoints and train code here: https://github.com/alsdudrla10/DG/blob/main/README.md
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
- 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)." https://paperswithcode.com/paper/refining-generative-process-with
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
Informazioni su questo modello
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.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Addestramento e provenienza
Il run di addestramento ha consumato circa 2.2 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100 PCIe. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 327,978,752 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
Discriminator Guidance — domande comuni
Discriminator Guidance— A cosa serve?
Funziona nel dominio di Image generation, e viene registrato come gestire il compito di image generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
Discriminator Guidance— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
Discriminator Guidance— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.2 × 10²⁰ FLOP, su hardware registrato come NVIDIA A100 PCIe. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
Discriminator Guidance— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
Discriminator Guidance— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
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.
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.
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.
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.