GRU + p-tHSM (pretrain via Brown) (PTB)
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
- Beihang University,University of Montreal / Université de Montréal,Chongqing University
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- China, Canada
- Pubblicato
- 19 August 2017
- Autori
- Nan Jiang, Wenge Rong, Min Gao, Yikang Shen, Zhang Xiong
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
code, looks like just WT2. no clear license: https://github.com/jiangnanhugo/lmkit
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Unknown
- Dati di benchmark
- GRU + p-tHSM (pretrain via Brown) (PTB)
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Exploration of Tree-based Hierarchical Softmax for Recurrent Language Models
- Ultimo aggiornamento
- 11 February 2026
Cosa significano i numeri
Da dove è venuto
GRU + p-tHSM (pretrain via Brown) (PTB) è stato pubblicato da Beihang University,University of Montreal / Université de Montréal,Chongqing University, nel paese registrato come China, durante August 2017. Esce da un'organizzazione categorizzata come academia,Academia,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
GRU + p-tHSM (pretrain via Brown) (PTB) — domande comuni
GRU + p-tHSM (pretrain via Brown) (PTB)— 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.
GRU + p-tHSM (pretrain via Brown) (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.
GRU + p-tHSM (pretrain via Brown) (PTB)— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
GRU + p-tHSM (pretrain via Brown) (PTB)— 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.
GRU + p-tHSM (pretrain via Brown) (PTB)— chi l'ha creato?
È stato pubblicato da Beihang University,University of Montreal / Université de Montréal,Chongqing University, basato su China, un'organizzazione categorizzata come academia,Academia,Academia.
GRU + p-tHSM (pretrain via Brown) (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.
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.