R-Transformer
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- Michigan State University,TAL Education Group (Xueersi)
- Organisatie type
- Academia,Industry
- Land
- United States of America, China
- Gepubliceerd
- 12 July 2019
- Auteurs
- Zhiwei Wang, Yao Ma, Zitao Liu, Jiliang Tang
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Language
- Taak
- Language modeling
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Parameters
- 15.8M
- Opleidingsgegevens
- 912,344 tokens
- Epochs
- 100
https://colab.research.google.com/drive/1afDpFvO3Dtry2Mdg8C1aUBV_sMF7LGb7?usp=sharing
default number of epochs in the code: https://github.com/DSE-MSU/R-transformer/tree/master/language_word
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 8.6 × 10¹⁵ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / token / parameter * 15800000 parameters * 912344 tokens * 100 epochs = 8.6490211e+15 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
- Model toegang
- Unreleased
- Trainingscode
- Open (non-commercial)
code, no clear license: https://github.com/DSE-MSU/R-transformer/tree/master/language_word
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Vereiste vertrouwen
- Likely
- Citaties
- 116
- Benchmark data
- R-Transformer
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- R-Transformer: Recurrent Neural Network Enhanced Transformer
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
R-Transformer was published by Michigan State University,TAL Education Group (Xueersi), in United States of America, in July 2019. The organisation is categorised as academia,Industry.
Het werkt in Taal, en wordt geregistreerd als het uitvoeren van taalmodellering.
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 afkomst
The training run consumed about 8.6 × 10¹⁵ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 912,344 tokens went into training it.
Antwoorden
R-Transformer — Veelgestelde vragen
What GPU do I need to run R-Transformer?
None. R-Transformer is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is R-Transformer open source?
No. R-Transformer has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does R-Transformer have?
R-Transformer has 15.8M parameters. https://colab.research.google.com/drive/1afDpFvO3Dtry2Mdg8C1aUBV_sMF7LGb7?usp=sharing. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created R-Transformer?
R-Transformer was published by Michigan State University,TAL Education Group (Xueersi), based in United States of America, categorised as academia,Industry.
When was R-Transformer released?
R-Transformer was published in July 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is R-Transformer used for?
R-Transformer works in Language, and is recorded as handling language modeling. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train R-Transformer?
Around 8.6 × 10¹⁵ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.