RNNsearch-50*
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
- Jacobs University Bremen,University of Montreal / Université de Montréal
- Tipo di organizzazione
- Academia,Academia
- Paese
- Germany, Canada
- Pubblicato
- 1 September 2014
- Autori
- D Bahdanau, K Cho, Y Bengio
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Translation
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
- 232,000,000 tokens
[WORDS] "WMT ’14 contains the following English-French parallel corpora: Europarl (61M words), news commentary (5.5M), UN (421M) and two crawled corpora of 90M and 272.5M words respectively, totaling 850M words. Following the procedure described in Cho et al. (2014a), we reduce the size of the combined corpus to have 348M words using the data selection method by Axelrod et al. (2011)."
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 1.6 × 10¹⁸ FLOP
- Come è stato stabilito
- Third-party estimation
From https://openai.com/blog/ai-and-compute/ Appendix. 0.018 pfs-days (86400*10^15*0.018) 252 hours in a Quadro K-6000 GPU (assumed utilization: 0.33) 5196000000000 FLOP/s *252 hours * 3600 second/hour * 0.33 utilization = 1555200000000000000 FLOP
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA Quadro K6000
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Modello Frontier
- Yes
- Perché è monitorato
- Highly cited
- Record fiducia
- Confident
- Citazioni
- 29,415
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Neural Machine Translation by Jointly Learning to Align and Translate
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
RNNsearch-50* è stato pubblicato da Jacobs University Bremen,University of Montreal / Université de Montréal, nel paese registrato come Germany, durante September 2014. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di translation.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il run di addestramento ha consumato circa 1.6 × 10¹⁸ FLOP, su hardware registrato come NVIDIA Quadro K6000. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 232,000,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited.
Risposte
RNNsearch-50* — domande comuni
RNNsearch-50*— 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.
RNNsearch-50*— chi l'ha creato?
È stato pubblicato da Jacobs University Bremen,University of Montreal / Université de Montréal, basato su Germany, un'organizzazione categorizzata come academia,Academia.
RNNsearch-50*— quando è stato rilasciato?
È stato pubblicato in September 2014. 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.
RNNsearch-50*— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di translation. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
RNNsearch-50*— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.6 × 10¹⁸ FLOP, su hardware registrato come NVIDIA Quadro K6000. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
RNNsearch-50*— 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.
RNNsearch-50*— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
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.