NÜWA
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
- Microsoft Research,Peking University
- Tipo di organizzazione
- Industry,Academia
- Paese
- United States of America, China
- Pubblicato
- 24 November 2021
- Autori
- Chenfei Wu, Jian Liang, Lei Ji, Fan Yang, Yuejian Fang, Daxin Jiang, Nan Duan
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Multimodal, Vision, Image generation, Video, Language
- Compito
- Image generation, Video generation, Text-to-image, Text-to-video
- Approccio
- Self-supervised learning
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
- 870M
- Dati di addestramento
- 5,547,780,000 tokens
Section 4.1
we first pre-train N ̈UWA on three datasets: Conceptual Captions [22] for text-to-image (T2I) generation, which includes 2.9M text-image pairs, Mo- ments in Time [26] for video prediction (V2V), which in- cludes 727K videos, and VATEX dataset [43] for text-to- video (T2V) generation, which includes 241K text-video pairs.
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
- 7.2 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
From AI Tracker: "Compute cost: End of Sec 4.1: "We pre-train on 64 A100 GPUs for two weeks". Half precision FLOPs of A100: 312000000000000 64 gpus *312000000000000 FLOPs *0.3 utilization * 14 day* (24*60*60) seconds / day=7.245988e+21
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
- Unreleased
https://github.com/microsoft/NUWA
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
- 340
"NÜWA achieves state-of-the-art results on text-to-image generation, text-to-video generation, video prediction, etc"
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- NÜWA: Visual Synthesis Pre-training for Neural visUal World creAtion
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Da dove è venuto
NÜWA è stato pubblicato da Microsoft Research,Peking University, nel paese registrato come United States of America, durante November 2021. La categoria sotto cui rientra l'editore è industry,Academia.
Funziona nel dominio di Multimodal, Vision, Image generation, Video, Language, ed è registrato come eseguire il compito di image generation, Video generation, Text-to-image, Text-to-video.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
La produzione di esso ha richiesto un'aritmetica totale di circa 7.2 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 5,547,780,000 token di testo
Il suo criterio di inclusione: sOTA improvement.
Risposte
NÜWA — domande comuni
NÜWA— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
NÜWA— quanti parametri ha?
Ha un numero di parametri di 870M. Section 4.1. 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.
NÜWA— chi l'ha creato?
È stato pubblicato da Microsoft Research,Peking University, basato su United States of America, un'organizzazione categorizzata come industry,Academia.
NÜWA— quando è stato rilasciato?
È stato pubblicato in November 2021. 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.
NÜWA— A cosa serve?
Funziona nel dominio di Multimodal, Vision, Image generation, Video, Language, e viene registrato come gestire il compito di image generation, Video generation, Text-to-image, Text-to-video. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
NÜWA— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.2 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. 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.
NÜWA— 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.
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.