EGRU (PTB)
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Ruhr University Bochum,Technische Universität Dresden,University of London
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- Germany, United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 13 June 2022
- Autorzy
- Anand Subramoney, Khaleelulla Khan Nazeer, Mark Schöne, Christian Mayr, David Kappel
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 55M
- Dane treningowe
- 1,238,667 tokens
- Epoki
- 2,500
Table 3
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A100
- Zastosowane chipy
- 1
- Pobór mocy
- 441 W
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
Apache 2.0: https://github.com/Efficient-Scalable-Machine-Learning/EvNN
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 34
- Dane benchmarkowe
- EGRU (PTB)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Efficient recurrent architectures through activity sparsity and sparse back-propagation through time
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
EGRU (PTB) został opublikowany przez Ruhr University Bochum,Technische Universität Dresden,University of London, w kraju zapisanym jako Germany, podczas June 2022. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Zbiór treningowy trwał około 1,238,667 Tokeny tekstu.
Odpowiedzi
EGRU (PTB) — częste pytania
EGRU (PTB)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
EGRU (PTB)— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
EGRU (PTB)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
EGRU (PTB)— ile ma parametrów?
Ma liczbę parametrów równą 55M. Table 3. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
EGRU (PTB)— kto to stworzył?
Zostało opublikowane przez Ruhr University Bochum,Technische Universität Dresden,University of London, oparty na Germany, organizacja sklasyfikowana jako academia,Academia,Academia.
EGRU (PTB)— kiedy to zostało wydane?
Zostało opublikowane w June 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.