DD-PPO
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
- Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University
- Tipo di organizzazione
- Academia,Industry,Academia,Academia
- Paese
- United States of America, France, Canada
- Pubblicato
- 19 December 2019
- Autori
- Erik Wijmans, Abhishek Kadian, Ari Morcos, Stefan Lee, Irfan Essa, Devi Parikh, Manolis Savva, Dhruv Batra
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Robotics
- Compito
- Object detection
- Approccio
- Reinforcement learning
- Formato numerico
- FP32
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
- 2,500,000,000 tokens
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
- 7.8 × 10²⁰ FLOP
- Come è stato stabilito
- Hardware
"Using DD-PPO, we train agents for 2.5 Billion steps of experience with 64 Tesla V100 GPUs in 2.75 days – 180 GPU-days of training" 125 teraFLOP/s (exact V100 model not specified) * 180 * 24 * 3600 * 0.4 (assumed utilization) = 7.8e20
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 V100
- Chip utilizzati
- 64
- Tempo di parete
- 66 hours
- Consumo energetico
- 39.3 kW
- Costo di calcolo
- $1,927
2.75 days
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
MIT license for environment used to train. doesn't seem like it has training code for this model. https://github.com/facebookresearch/habitat-lab
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
- Likely
- Citazioni
- 611
"This agent achieves state-of-art on the Habitat Challenge 2019 RGB track (rank 2 entry has 0.89 SPL)."
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DD-PPO: Learning Near-Perfect PointGoal Navigators from 2.5 Billion Frames
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
DD-PPO è stato pubblicato da Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University, nel paese registrato come United States of America, durante December 2019. Esce da un'organizzazione categorizzata come academia,Industry,Academia,Academia.
Funziona nel dominio di Robotics, ed è registrato come eseguire il compito di object detection.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 7.8 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 2,500,000,000 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
DD-PPO — domande comuni
DD-PPO— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 7.8 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. 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.
DD-PPO— 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.
DD-PPO— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DD-PPO— 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.
DD-PPO— chi l'ha creato?
È stato pubblicato da Georgia Institute of Technology,Facebook AI Research,Oregon State University,Simon Fraser University, basato su United States of America, un'organizzazione categorizzata come academia,Industry,Academia,Academia.
DD-PPO— quando è stato rilasciato?
È stato pubblicato in December 2019. 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.
DD-PPO— A cosa serve?
Funziona nel dominio di Robotics, e viene registrato come gestire il compito di object detection. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
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.