TransformerXL-LayerFusion-CA
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
- University of Liverpool,University of Southern California
- Organisatietype
- Academia,Academia
- Land
- United Kingdom of Great Britain and Northern Ireland, United States of America
- Gepubliceerd
- 29 July 2020
- Auteurs
- James O' Neill, Greg Ver Steeg, Aram Galstyan
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
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.
- Training gegevens
- tokens
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
- Unknown
- Citaties
- 7
- Benchmarkgegevens
- TransformerXL-LayerFusion-CA
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Compressing Deep Neural Networks via Layer Fusion
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
TransformerXL-LayerFusion-CA werd gepubliceerd door University of Liverpool,University of Southern California, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens July 2020. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Antwoorden
TransformerXL-LayerFusion-CA — veelgestelde vragen
TransformerXL-LayerFusion-CA— 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.
TransformerXL-LayerFusion-CA— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TransformerXL-LayerFusion-CA— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
TransformerXL-LayerFusion-CA— wie heeft het gemaakt?
Het werd gepubliceerd door University of Liverpool,University of Southern California, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als academia,Academia.
TransformerXL-LayerFusion-CA— wanneer is het uitgebracht?
Het werd gepubliceerd in July 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
TransformerXL-LayerFusion-CA— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
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.