GPT2-LayerFusion-WS
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 Liverpool,University of Southern California
- Tipo di organizzazione
- Academia,Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Pubblicato
- 29 July 2020
- Autori
- James O' Neill, Greg Ver Steeg, Aram Galstyan
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.
- 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.
- Record fiducia
- Unknown
- Citazioni
- 7
- Dati di benchmark
- GPT2-LayerFusion-WS
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Compressing Deep Neural Networks via Layer Fusion
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
GPT2-LayerFusion-WS è stato pubblicato da University of Liverpool,University of Southern California, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante July 2020. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Risposte
GPT2-LayerFusion-WS — domande comuni
GPT2-LayerFusion-WS— 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.
GPT2-LayerFusion-WS— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
GPT2-LayerFusion-WS— 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.
GPT2-LayerFusion-WS— chi l'ha creato?
È stato pubblicato da University of Liverpool,University of Southern California, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia,Academia.
GPT2-LayerFusion-WS— quando è stato rilasciato?
È stato pubblicato in July 2020. 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.
GPT2-LayerFusion-WS— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.