D-LSRC(100)+KN5 (PTB)

Pesi chiusi Saarland University 6M parametri August 2017

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
Saarland University
Tipo di organizzazione
Academia
Paese
Germany
Pubblicato
22 August 2017
Autori
Youssef Oualil, Mittul Singh, Clayton Greenberg, Dietrich Klakow

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
6M
Dati di addestramento
929,000 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
Confident
Dati di benchmark
D-LSRC(100)+KN5

Fonti

Da dove proviene questo record e quando è stato controllato l'ultima volta.

Riferimento
Long-Short Range Context Neural Networks for Language Modeling
Ultimo aggiornamento
11 February 2026

Cosa significano i numeri

Informazioni su questo modello

D-LSRC(100)+KN5 (PTB) è stato pubblicato da Saarland University, nel paese registrato come Germany, durante August 2017. La categoria sotto cui rientra l'editore è 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.

Addestramento e provenienza

Il set di addestramento si aggirava attorno a 929,000 token di testo

Risposte

D-LSRC(100)+KN5 (PTB) — domande comuni

01

D-LSRC(100)+KN5 (PTB)— chi l'ha creato?

È stato pubblicato da Saarland University, basato su Germany, un'organizzazione categorizzata come academia.

02

D-LSRC(100)+KN5 (PTB)— quando è stato rilasciato?

È stato pubblicato in August 2017. 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.

03

D-LSRC(100)+KN5 (PTB)— 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.

04

D-LSRC(100)+KN5 (PTB)— 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.

05

D-LSRC(100)+KN5 (PTB)— è open-source?

No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.

06

D-LSRC(100)+KN5 (PTB)— quanti parametri ha?

Ha un numero di parametri di 6M. 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.

Fonte

Pubblicazione originale

Ultimo aggiornamento del record 11 February 2026

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.