GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (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
- Ben-Gurion University of the Negev
- Organisatietype
- Academia
- Land
- Israel
- Gepubliceerd
- 29 August 2017
- Auteurs
- Ziv Aharoni, Gal Rattner, Haim Permuter
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
- 38M
- Training gegevens
- 2,000,000 tokens
- Epochs
- 1,000
38M (Table 2)
" The model was trained for 1000 epochs until the validation score stopped improving."
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
- 4.6 × 10¹⁷ FLOP
- Hoe het werd opgericht
- Operation counting
6 FLOP / parameter / token * 38000000 parameters * 2000000 tokens * 1000 epochs = 4.56e+17 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
- Unreleased
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
- 4
- Benchmarkgegevens
- GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)
"Our GL-LSTM model overcame the state-of-the-art results with only two layers and 19M parameters, and further improved the state-of-the-art results with the third layer phase"
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Gradual Learning of Recurrent Neural Networks
- Laatst bijgewerkt
- 11 February 2026
Wat de cijfers betekenen
Waar het vandaan kwam
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) werd gepubliceerd door Ben-Gurion University of the Negev, in het land geregistreerd als Israel, tijdens August 2017. De categorie waaronder de uitgever valt is academia.
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 training run verbruikte ongeveer 4.6 × 10¹⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 2,000,000 tekstokens
De inclusiecriteria: sOTA improvement.
Antwoorden
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2) — veelgestelde vragen
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— hoeveel parameters heeft het?
Het heeft een parameter telling van 38M. 38M (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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— wie heeft het gemaakt?
Het werd gepubliceerd door Ben-Gurion University of the Negev, gebaseerd op Israel, een organisatie geclassificeerd als academia.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2017. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (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.
GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (WT2)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.6 × 10¹⁷ 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.
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.