VRNS-RNN-3-3-5
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
- University of Notre Dame
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 4 October 2022
- Autori
- Brian DuSell, David Chiang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Language modeling
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
- 1.5M
- Dati di addestramento
- 912,344 tokens
- Epoche
- 140
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)
code here, unclear license: https://github.com/bdusell/nondeterministic-stack-rnn
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 5
- Dati di benchmark
- VRNS-RNN-3-3-5
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- The Surprising Computational Power of Nondeterministic Stack RNNs
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
VRNS-RNN-3-3-5 è stato pubblicato da University of Notre Dame, nel paese registrato come United States of America, durante October 2022. L'organizzazione di pubblicazione è classificata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
L'addestramento ha consumato un corpus di circa 912,344 token di testo
Risposte
VRNS-RNN-3-3-5 — domande comuni
VRNS-RNN-3-3-5— 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.
VRNS-RNN-3-3-5— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
VRNS-RNN-3-3-5— quanti parametri ha?
Ha un numero di parametri di 1.5M. 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.
VRNS-RNN-3-3-5— chi l'ha creato?
È stato pubblicato da University of Notre Dame, basato su United States of America, un'organizzazione categorizzata come academia.
VRNS-RNN-3-3-5— quando è stato rilasciato?
È stato pubblicato in October 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.
VRNS-RNN-3-3-5— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. 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.
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.