SPALM + RelationLM

Pesi chiusi DeepMind,University of Oxford 124M parametri January 2022

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
DeepMind,University of Oxford
Tipo di organizzazione
Industry,Academia
Paese
United Kingdom of Great Britain and Northern Ireland
Pubblicato
24 January 2022
Autori
Qi Liu, Dani Yogatama, Phil Blunsom

Cosa fa

Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.

Dominio
Language
Compito
Language modeling/generation

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
124M
Dati di addestramento
tokens

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.

Citazioni
35
Dati di benchmark
SPALM + RelationLM

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento
Relational Memory-Augmented Language Models
Ultimo aggiornamento
25 May 2026

Cosa significano i numeri

Sfondo

SPALM + RelationLM è stato pubblicato da DeepMind,University of Oxford, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante January 2022. La categoria sotto cui rientra l'editore è industry,Academia.

Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.

Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.

Risposte

SPALM + RelationLM — domande comuni

01

SPALM + RelationLM— chi l'ha creato?

È stato pubblicato da DeepMind,University of Oxford, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come industry,Academia.

02

SPALM + RelationLM— quando è stato rilasciato?

È stato pubblicato in January 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.

03

SPALM + RelationLM— A cosa serve?

Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.

04

SPALM + RelationLM— 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.

05

SPALM + RelationLM— è open-source?

No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.

06

SPALM + RelationLM— quanti parametri ha?

Ha un numero di parametri di 124M. 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 25 May 2026

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.