SPN (ImageNet 128)
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
- Google Brain,DeepMind
- Organisatie type
- Industry,Industry
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 4 December 2018
- Auteurs
- Jacob Menick, Nal Kalchbrenner
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Image generation
- Taak
- Image generation
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
- 250M
- Opleidingsgegevens
- 251,658,240,000 tokens
250M (Table 4)
batch size: 2048
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- Google TPU v3
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
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Vereiste vertrouwen
- Confident
"state-of-the-art log-likelihoods at 128x128 by a large margin"
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- Generating High Fidelity Images with Subscale Pixel Networks and Multidimensional Upscaling
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Background
SPN (ImageNet 128) was published by Google Brain,DeepMind, in United States of America, in December 2018. It comes out of industry,Industry.
It works in Image generation, and is recorded as doing image generation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Hoe het was getraind
It was trained on about 251,658,240,000 tokens of text.
The reason it appears in this catalogue at all is sOTA improvement.
Antwoorden
SPN (ImageNet 128) — Veelgestelde vragen
What is SPN (ImageNet 128) used for?
SPN (ImageNet 128) works in Image generation, and is recorded as handling image generation. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run SPN (ImageNet 128)?
None. SPN (ImageNet 128) 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 SPN (ImageNet 128) open source?
No. SPN (ImageNet 128) has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does SPN (ImageNet 128) have?
SPN (ImageNet 128) has 250M parameters. 250M (Table 4). 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 SPN (ImageNet 128)?
SPN (ImageNet 128) was published by Google Brain,DeepMind, based in United States of America, categorised as industry,Industry.
When was SPN (ImageNet 128) released?
SPN (ImageNet 128) was published in December 2018. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
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.