TrellisNet
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
- Carnegie Mellon University (CMU),Bosch Center for Artificial Intelligence,Intel Labs
- Organisatietype
- Academia,Industry,Industry
- Land
- United States of America, Germany
- Gepubliceerd
- 15 October 2018
- Auteurs
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
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
- 180M
- Training gegevens
- 103,000,000 tokens
- Epochs
- 25
180M, Table 2
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 2.8 × 10¹⁸ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 180000000 parameters * 103000000 tokens * 25 epochs = 2.781e+18 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
- Toegang tot model
- Unreleased
- Training code
- Open source
MIT license for code: https://github.com/locuslab/trellisnet/tree/master/TrellisNet/word_WT103
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
- 164
- Benchmarkgegevens
- TrellisNet
"Experiments demonstrate that trellis networks outperform the current state of the art methods on a variety of challenging benchmarks, including word-level language modeling and character-level language modeling tasks" "On word-level WikiText-103, a trellis network outperforms by 7.6% in perplexity the contemporaneous self-attention-based Relational Memory Core (Santoro et al., 2018), and by 11.5% the work of Merity et al. (2018a). (Concurrently with our work, Dai et al. (2019) employ a transfo…
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Trellis Networks for Sequence Modeling
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
TrellisNet werd gepubliceerd door Carnegie Mellon University (CMU),Bosch Center for Artificial Intelligence,Intel Labs, in het land geregistreerd als United States of America, tijdens October 2018. De publicerende organisatie is geclassificeerd als academia,Industry,Industry.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van language modeling.
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.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.8 × 10¹⁸ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 103,000,000 tekstokens
De reden dat het überhaupt in deze catalogus verschijnt: sOTA improvement.
Antwoorden
TrellisNet — veelgestelde vragen
TrellisNet— wie heeft het gemaakt?
Het werd gepubliceerd door Carnegie Mellon University (CMU),Bosch Center for Artificial Intelligence,Intel Labs, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Industry,Industry.
TrellisNet— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2018. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
TrellisNet— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van language modeling. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
TrellisNet— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁸ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
TrellisNet— 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.
TrellisNet— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
TrellisNet— hoeveel parameters heeft het?
Het heeft een parameter telling van 180M. 180M, Table 2. 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.
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.