TCAN (WT2)
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
- Nanjing University,Ant Group
- Organisatietype
- Academia,Industry
- Land
- China
- Gepubliceerd
- 28 February 2020
- Auteurs
- Hongyan Hao, Yan Wang, Yudi Xia, Jian Zhao, Furao Shen
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.
- parameters
- 33M
- Training gegevens
- 2,000,000 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
- Open source
MIT license for code: https://github.com/haohy/TCAN
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.
- Waarom het wordt gevolgd
- SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 47
- Benchmarkgegevens
- Temporal Convolutional Attention-based Network(TCAN) (WT2)
"We improve the state-of-theart results of ... 9.20 on WikiText-2"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Temporal Convolutional Attention-based Network For Sequence Modeling
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Over dit model
TCAN (WT2) werd gepubliceerd door Nanjing University,Ant Group, in het land geregistreerd als China, tijdens February 2020. De publicerende organisatie is geclassificeerd als academia,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
De trainingsset liep naar ongeveer 2,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
TCAN (WT2) — veelgestelde vragen
TCAN (WT2)— 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.
TCAN (WT2)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TCAN (WT2)— hoeveel parameters heeft het?
Het heeft een parameter telling van 33M. 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.
TCAN (WT2)— wie heeft het gemaakt?
Het werd gepubliceerd door Nanjing University,Ant Group, gebaseerd op China, een organisatie geclassificeerd als academia,Industry.
TCAN (WT2)— wanneer is het uitgebracht?
Het werd gepubliceerd in February 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
TCAN (WT2)— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
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.