genCNN + dyn eval
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
- Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University
- Organisatietype
- Academia,Industry,Academia
- Land
- China, Ireland
- Gepubliceerd
- 17 March 2015
- Auteurs
- Mingxuan Wang, Zhengdong Lu, Hang Li, Wenbin Jiang, Qun Liu
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
- 8M
- Training gegevens
- 929,000 tokens
8M according to https://arxiv.org/pdf/1508.06615
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
- 3.4 × 10¹⁶ FLOP
- Hoe het werd opgericht
- Hardware,Operation counting
5046000000000 FLOP / sec/ GPU * 1 GPU * 48 hours ["Likely" confidence since 2 days of training refer to another dataset] * 3600 sec / hour * 0.3 [assumed utilization] = 2.6158464e+17 FLOP Assuming (!) 100 epochs (-> "Speculative" confidence"): 6 FLOP / parameter / token * 8000000 parameters * 929000 tokens * 100 epochs = 4.4592e+15 FLOP sqrt(2.6158464e+17*4.4592e+15 ) = 3.4153451e+16 FLOP ________ in the algorithmic progress report paper the estimation was 7.3 × 10^16 FLOP (hardware-based es…
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla K40s
- Kloktijd
- 48 hours
" The optimization is done mainly on a Tesla K40 GPU, which takes about 2 days for the training on a dataset containing 1M sentences." this training doesn't refer to the PTB dataset but to wiki dataset so it is likely an upper bound
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
- Speculative
- Citaties
- 33
- Benchmarkgegevens
- genCNN + dyn eval
"genCNN outperforms the state-ofthe-arts with big margins."
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- genCNN: A Convolutional Architecture for Word Sequence Prediction
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Achtergrond
genCNN + dyn eval werd gepubliceerd door Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, in het land geregistreerd als China, tijdens March 2015. De categorie waaronder de uitgever valt is academia,Industry,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.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 3.4 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. 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 929,000 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement.
Antwoorden
genCNN + dyn eval — veelgestelde vragen
genCNN + dyn eval— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
genCNN + dyn eval— hoeveel parameters heeft het?
Het heeft een parameter telling van 8M. 8M according to https://arxiv.org/pdf/1508.06615. 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.
genCNN + dyn eval— wie heeft het gemaakt?
Het werd gepubliceerd door Chinese Academy of Sciences,Huawei Noah's Ark Lab,Dublin City University, gebaseerd op China, een organisatie geclassificeerd als academia,Industry,Academia.
genCNN + dyn eval— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2015. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
genCNN + dyn eval— 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.
genCNN + dyn eval— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 3.4 × 10¹⁶ FLOP, op hardware vastgelegd als NVIDIA Tesla K40s. 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.
genCNN + dyn eval— 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.
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.