GAWWN
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 Michigan,Max Planck Institute for Informatics
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America, Germany
- Pubblicato
- 8 October 2016
- Autori
- Scott E. Reed, Zeynep Akata, S. Mohan, Samuel Tenka, B. Schiele, Honglak Lee
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Vision
- Compito
- Image generation
- Approccio
- Supervised
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
- 235,760 tokens
directly stated in paper
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
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
- Confident
https://paperswithcode.com/sota/text-to-image-generation-on-cub I don't see any standard benchmarks where they would claim SOTA results
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Learning What and Where to Draw
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
GAWWN è stato pubblicato da University of Michigan,Max Planck Institute for Informatics, nel paese registrato come United States of America, durante October 2016. La categoria sotto cui rientra l'editore è academia,Academia.
Funziona nel dominio di Vision, ed è registrato come eseguire il compito di image generation.
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 235,760 token di testo
Il motivo per cui appare in questo catalogo è: sOTA improvement.
Risposte
GAWWN — domande comuni
GAWWN— quando è stato rilasciato?
È stato pubblicato in October 2016. 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.
GAWWN— A cosa serve?
Funziona nel dominio di Vision, e viene registrato come gestire il compito di image generation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
GAWWN— 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.
GAWWN— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
GAWWN— 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.
GAWWN— chi l'ha creato?
È stato pubblicato da University of Michigan,Max Planck Institute for Informatics, basato su United States of America, un'organizzazione categorizzata come academia,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.