GigaGAN
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- POSTECH,Carnegie Mellon University (CMU),Adobe
- Organisatietype
- Academia,Academia,Industry
- Land
- Korea (Republic of), United States of America
- Gepubliceerd
- 19 June 2023
- Auteurs
- Minguk Kang, Jun-Yan Zhu, Richard Zhang, Jaesik Park, Eli Shechtman, Sylvain Paris, Taesung Park
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Image generation
- Taak
- Text-to-image, Image generation
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 1B
- Training gegevens
- 1,960,000,000 tokens
1B (Table 2)
[IMAGES] 0.98B of training images (table 2)
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 3.9 × 10²² FLOP
- Hoe het werd opgericht
- Hardware
"GigaGAN and SD-v1.5 require 4,783 and 6,250 A100 GPU days" 312*10^12 FLOP / sec / GPU * 4783 GPU-days * 24 hours / day * 3600 sec / hour * 0.3 [assumed utilization] = 3.8680312e+22 FLOP
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Scaling up GANs for Text-to-Image Synthesis
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
GigaGAN werd gepubliceerd door POSTECH,Carnegie Mellon University (CMU),Adobe, in het land geregistreerd als Korea (Republic of), tijdens June 2023. De publicerende organisatie is geclassificeerd als academia,Academia,Industry.
Het werkt in het domein van Image generation, en wordt geregistreerd als het uitvoeren van de taak van text-to-image, Image generation.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 3.9 × 10²² FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 1,960,000,000 tekstokens
Antwoorden
GigaGAN — veelgestelde vragen
GigaGAN— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.9 × 10²² FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
GigaGAN— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
GigaGAN— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
GigaGAN— hoeveel parameters heeft het?
Het heeft een parameter telling van 1B. 1B (Table 2). Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
GigaGAN— wie heeft het gemaakt?
Het werd gepubliceerd door POSTECH,Carnegie Mellon University (CMU),Adobe, gebaseerd op Korea (Republic of), een organisatie geclassificeerd als academia,Academia,Industry.
GigaGAN— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2023. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GigaGAN— waarvoor wordt het gebruikt?
Het werkt in het domein van Image generation, en wordt geregistreerd als het afhandelen van text-to-image, Image generation. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.