JPMAX
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.
- Gepubliceerd
- 2 December 1994
- Auteurs
- Suzanna Becker
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Vision
- Taak
- Image representation
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
- 4.4K
- Training gegevens
- 1,500 tokens
Inputs are 12x12 pixels (Figure 3). They first train the architecture in Figure 2 a), then freeze it and train the additional layer in Figure 3 b). Figure 2 a): 2*(12*12*15) + 2*15 = 4,350 Figure 2 b): 2*(12*12*15) + 2*15 + 2*(15*3) + 2*3 = 4,446
“Figure 3: 10 of the 1500 training patterns”
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
- 8.1 × 10⁷ FLOP
- Hoe het werd opgericht
- Operation counting
Training 2a): "The learning took about 3000 iterations of steepest descent" Assuming each iteration refers to a single image. 6 * 4446 * 3000 = 80,028,000 Training 2b): "While keeping the first layer of weights frozen, this network was trained using exactly the same cost function as the first layer for about 30 iterations using a gradient-based learning method." 6 * 4446 * 30 = 800,280 Total: 80,828,280
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
- Historical significance
- Record vertrouwen
- Speculative
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- JPMAX: Learning to Recognize Moving Objects as a Model-fitting Problem
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
JPMAX werd gepubliceerd door its authors, tijdens December 1994.
Het werkt in het domein van Vision, en wordt geregistreerd als het uitvoeren van de taak van image representation.
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
De training run verbruikte ongeveer 8.1 × 10⁷ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 1,500 tekstokens
De inclusiecriteria: historical significance.
Antwoorden
JPMAX — veelgestelde vragen
JPMAX— waarvoor wordt het gebruikt?
Het werkt in het domein van Vision, en wordt geregistreerd als het afhandelen van image representation. 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.
JPMAX— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 8.1 × 10⁷ 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.
JPMAX— 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.
JPMAX— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
JPMAX— hoeveel parameters heeft het?
Het heeft een parameter telling van 4.4K. Inputs are 12x12 pixels (Figure 3). They first train the architecture in Figure 2 a), then freeze it and train the additional layer in Figure 3 b). Figure 2 a): 2*(12*12*15) + 2*15 = 4,350 Figure 2 b): 2*(12*12*15) + 2*15 + 2*(15*3) + 2*3 = 4,446. 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.
JPMAX— wanneer is het uitgebracht?
Het werd gepubliceerd in December 1994. 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.