DOC + Finetune∗ + Partial Shuffle (WT2)
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 Washington
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 11 March 2019
- Autori
- Ofir Press
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.
- parametri
- 67.3M
- 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
- Open (non-commercial)
no license specified: https://github.com/ofirpress/PartialShuffle
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Citazioni
- 6
- Dati di benchmark
- DOC + Finetune∗ + Partial Shuffle (WT2)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Partially Shuffling the Training Data to Improve Language Models
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Cosa è questo modello
DOC + Finetune∗ + Partial Shuffle (WT2) è stato pubblicato da University of Washington, nel paese registrato come United States of America, durante March 2019. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di language modeling.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Risposte
DOC + Finetune∗ + Partial Shuffle (WT2) — domande comuni
DOC + Finetune∗ + Partial Shuffle (WT2)— quando è stato rilasciato?
È stato pubblicato in March 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.
DOC + Finetune∗ + Partial Shuffle (WT2)— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di language modeling. 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.
DOC + Finetune∗ + Partial Shuffle (WT2)— 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.
DOC + Finetune∗ + Partial Shuffle (WT2)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
DOC + Finetune∗ + Partial Shuffle (WT2)— quanti parametri ha?
Ha un numero di parametri di 67.3M. 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.
DOC + Finetune∗ + Partial Shuffle (WT2)— chi l'ha creato?
È stato pubblicato da University of Washington, basato su United States of America, un'organizzazione categorizzata come academia.
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.