DistBelief NNLM
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
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 16 January 2013
- Autori
- Tomas Mikolov, Kai Chen, G. Corrado, J. Dean
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Language
- Compito
- Semantic embedding
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
- 6,000,000,000 tokens
Largest system is trained on 6B words (Table 6)
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
- 2.6 × 10¹⁸ FLOP
- Come è stato stabilito
- Hardware
Trained for 14 days on 180 CPU cores (Table 6) Roughly estimating the performance of CPUs in a HPC around 2013: 16 FP32 operations per cycle, 2.5GHz, 0.3 utilization Time: 14*24*60*60=1209600s FLOPs: 0.3*180*16*2500000000=2160000000000 Training compute: 1209600s * 2160000000000 = 2612736000000000000 = 2.61e18 https://www.wolframalpha.com/input?i=16+FLOP+*+2.5+GHz+*+180+*+14+days+*+0.3
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Chip utilizzati
- 180
- Tempo di parete
- 336 hours (14 days)
- Costo di calcolo
- $3,255
Trained for 14 days (Table 6)
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,SOTA improvement
- Record fiducia
- Likely
- Citazioni
- 41,000
they seem to use their own evaluation protocol, I don't see any standard benchmarks
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Efficient Estimation of Word Representations in Vector Space
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
DistBelief NNLM è stato pubblicato da Google, nel paese registrato come United States of America, durante January 2013. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Language, ed è registrato come eseguire il compito di semantic embedding.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 2.6 × 10¹⁸ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 6,000,000,000 token di testo
Il suo criterio di inclusione: highly cited,SOTA improvement.
Risposte
DistBelief NNLM — domande comuni
DistBelief NNLM— 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.
DistBelief NNLM— 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.
DistBelief NNLM— chi l'ha creato?
È stato pubblicato da Google, basato su United States of America, un'organizzazione categorizzata come industry.
DistBelief NNLM— quando è stato rilasciato?
È stato pubblicato in January 2013. 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.
DistBelief NNLM— A cosa serve?
Funziona nel dominio di Language, e viene registrato come gestire il compito di semantic embedding. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
DistBelief NNLM— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.6 × 10¹⁸ FLOP. 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.
DistBelief NNLM— 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.
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.