DEQ-TrellisNet (WT-103)
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
- Carnegie Mellon University (CMU),Intel Labs
- Tipo di organizzazione
- Academia,Industry
- Paese
- United States of America
- Pubblicato
- 3 September 2019
- Autori
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
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
- 180M
- Dati di addestramento
- 103,000,000 tokens
- Epoche
- 12
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
repo but no code for TrellisNet https://github.com/locuslab/deq/tree/master/DEQ-Sequence
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 873
- Dati di benchmark
- DEQ-TrellisNet
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Deep Equilibrium Models
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Da dove è venuto
DEQ-TrellisNet (WT-103) è stato pubblicato da Carnegie Mellon University (CMU),Intel Labs, nel paese registrato come United States of America, durante September 2019. Esce da un'organizzazione categorizzata come academia,Industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling/generation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
L'addestramento ha consumato un corpus di circa 103,000,000 token di testo
Risposte
DEQ-TrellisNet (WT-103) — domande comuni
DEQ-TrellisNet (WT-103)— quando è stato rilasciato?
È stato pubblicato in September 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.
DEQ-TrellisNet (WT-103)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling/generation. 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.
DEQ-TrellisNet (WT-103)— 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.
DEQ-TrellisNet (WT-103)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DEQ-TrellisNet (WT-103)— quanti parametri ha?
Ha un numero di parametri di 180M. 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.
DEQ-TrellisNet (WT-103)— chi l'ha creato?
È stato pubblicato da Carnegie Mellon University (CMU),Intel Labs, basato su United States of America, un'organizzazione categorizzata come academia,Industry.
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.