3-Layer-Tensor-Transformer+AdaHessian
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
- University of California (UC) Berkeley,NERSC, Lawrence Berkeley National Laboratory
- Typ organizacji
- Academia,Government
- Kraj
- United States of America
- Opublikowany
- 1 June 2020
- Autorzy
- Zhewei Yao, Amir Gholami, Sheng Shen, Mustafa Mustafa, Kurt Keutzer, Michael W. Mahoney
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling, Translation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- tokens
- Epoki
- 30
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
MIT for code. doesn't have training script for PTB but looks fairly adaptable: https://github.com/amirgholami/ADAHESSIAN
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 365
- Dane benchmarkowe
- 3-Layer-Tensor-Transformer+AdaHessian
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
3-Layer-Tensor-Transformer+AdaHessian został opublikowany przez University of California (UC) Berkeley,NERSC, Lawrence Berkeley National Laboratory, w kraju zapisanym jako United States of America, podczas June 2020. Organizacja publikująca jest klasyfikowana jako academia,Government.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling, Translation.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Odpowiedzi
3-Layer-Tensor-Transformer+AdaHessian — częste pytania
3-Layer-Tensor-Transformer+AdaHessian— 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.
3-Layer-Tensor-Transformer+AdaHessian— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
3-Layer-Tensor-Transformer+AdaHessian— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
3-Layer-Tensor-Transformer+AdaHessian— kto to stworzył?
Zostało opublikowane przez University of California (UC) Berkeley,NERSC, Lawrence Berkeley National Laboratory, oparty na United States of America, organizacja sklasyfikowana jako academia,Government.
3-Layer-Tensor-Transformer+AdaHessian— kiedy to zostało wydane?
Zostało opublikowane w June 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
3-Layer-Tensor-Transformer+AdaHessian— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling, Translation. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
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.