ERNIE-ViLG
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
- Baidu
- Typ organizacji
- Industry
- Kraj
- China
- Opublikowany
- 31 December 2021
- Autorzy
- Han Zhang, Weichong Yin, Yewei Fang, Lanxin Li, Boqiang Duan, Zhihua Wu, Yu Sun, Hao Tian, Hua Wu, Haifeng Wang
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Multimodal, Image generation, Vision, Language
- Zadanie
- Vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering
- Podejście
- Self-supervised learning
- Format numeryczny
- FP16
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 10B
- Dane treningowe
- tokens
"To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs."
To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.
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
- Unreleased
it seems that the model was completely substituted by its successor ViLG 2.0 - I haven't found niether model weights nor code or API.
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Model bazowy
- Yes
- Dlaczego to jest śledzone
- SOTA improvement
- Cytaty
- 70
"we train a 10-billion parameter ERNIE-ViLG model on a large-scale dataset of 145 million (Chinese) image-text pairs which achieves state-of-the-art performance for both text-to-image and image-to-text tasks" "chieves state-of-the-art performance for both text-to-image and image-to-text tasks, obtaining an FID of 7.9 on MS-COCO for text-to-image synthesis and best results on COCO-CN and AIC-ICC for image captioning"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- ERNIE-ViLG: Unified Generative Pre-training for Bidirectional Vision-Language Generation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
ERNIE-ViLG został opublikowany przez Baidu, w kraju zapisanym jako China, podczas December 2021. Organizacja publikująca jest klasyfikowana jako industry.
Działa w dziedzinie Multimodal, Image generation, Vision, Language, i jest zapisany jako wykonujący zadanie vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Powód, dla którego w ogóle pojawia się w tym katalogu: sOTA improvement.
Odpowiedzi
ERNIE-ViLG — częste pytania
ERNIE-ViLG— kto to stworzył?
Zostało opublikowane przez Baidu, oparty na China, organizacja sklasyfikowana jako industry.
ERNIE-ViLG— kiedy to zostało wydane?
Zostało opublikowane w December 2021. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
ERNIE-ViLG— do czego to służy?
Działa w dziedzinie Multimodal, Image generation, Vision, Language, i jest zarejestrowany jako realizujący zadanie vision-language generation, Image generation, Text-to-image, Image captioning, Language modeling/generation, Visual question answering. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
ERNIE-ViLG— 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.
ERNIE-ViLG— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
ERNIE-ViLG— ile ma parametrów?
Ma liczbę parametrów równą 10B. "To explore the landscape of large-scale pre-training for bidirectional text-image generation, we pre-train a 10-billion parameter model on a large-scale dataset of 145 million high-quality Chinese image-text pairs.". 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.
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.