Heuristic Reinforcement Learning
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
- Purdue University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 1 October 1965
- Auteurs
- M. Waltz, K. Fu
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Robotics
- Taak
- System control
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.
- Training gegevens
- tokens
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
- 1.1 × 10⁶ FLOP
- Hoe het werd opgericht
- Hardware
Figure 10 shows their largest system is trained for 3h and was trained on an analog IBM 1620 that was simulated on a digital IBM 1710. Nordhaus, 2007 lists the IBM 1620 at 200 multiplications per second and doesn’t contain the 1710 Flops estimate: 0.5 * 3 * 60 * 60 * 200 = 1080000 = 1.08e6 Assumed utilization of 0.5
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 3 hours
Figure 10
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,Highly cited
- Record vertrouwen
- Speculative
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- A heuristic approach to reinforcement learning control systems
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
Heuristic Reinforcement Learning werd gepubliceerd door Purdue University, in het land geregistreerd als United States of America, tijdens October 1965. De categorie waaronder de uitgever valt is academia.
Het werkt in het domein van Robotics, en wordt geregistreerd als het uitvoeren van de taak van system control.
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.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1.1 × 10⁶ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: historical significance,Highly cited.
Antwoorden
Heuristic Reinforcement Learning — veelgestelde vragen
Heuristic Reinforcement Learning— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
Heuristic Reinforcement Learning— wie heeft het gemaakt?
Het werd gepubliceerd door Purdue University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
Heuristic Reinforcement Learning— wanneer is het uitgebracht?
Het werd gepubliceerd in October 1965. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Heuristic Reinforcement Learning— waarvoor wordt het gebruikt?
Het werkt in het domein van Robotics, en wordt geregistreerd als het afhandelen van system control. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
Heuristic Reinforcement Learning— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1.1 × 10⁶ 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.
Heuristic Reinforcement Learning— 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.
Heuristic Reinforcement Learning— 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.
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.