4 layer QRNN + dynamic evaluation
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 Texas at Austin
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 10 June 2019
- Auteurs
- Dilin Wang, Chengyue Gong, Qiang Liu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Language modeling, Translation
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
there's a repo, but the WT-103 experiments aren't there: https://github.com/ChengyueGongR/advsoft
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
- Citaties
- 126
- Benchmarkgegevens
- 4 layer QRNN + dynamic evaluation
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improving Neural Language Modeling via Adversarial Training
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
4 layer QRNN + dynamic evaluation werd gepubliceerd door University of Texas at Austin, in het land geregistreerd als United States of America, tijdens June 2019. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling, Translation.
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.
Antwoorden
4 layer QRNN + dynamic evaluation — veelgestelde vragen
4 layer QRNN + dynamic evaluation— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling, Translation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
4 layer QRNN + dynamic evaluation— 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.
4 layer QRNN + dynamic evaluation— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
4 layer QRNN + dynamic evaluation— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
4 layer QRNN + dynamic evaluation— wie heeft het gemaakt?
Het werd gepubliceerd door University of Texas at Austin, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
4 layer QRNN + dynamic evaluation— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.