NAS+ESS (23M)
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
- Northeastern University (China),NiuTrans Research,Kingsoft
- Typ organizacji
- Academia,Industry
- Kraj
- China
- Opublikowany
- 6 May 2020
- Autorzy
- Yinqiao Li, Chi Hu, Yuhao Zhang, Nuo Xu, Yufan Jiang, Tong Xiao, Jingbo Zhu, Tongran Liu, Changliang Li
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Neural Architecture Search - NAS, 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
- 23M
- Dane treningowe
- tokens
- Epoki
- 3,000
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX 1080 Ti
- Zastosowane chipy
- 1
- Pobór mocy
- 280 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
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- SOTA improvement
- Zapisz pewność
- Confident
- Dane benchmarkowe
- NAS+ESS (23M)
"Our ESS method achieves state-of-the-art result on the PTB task"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning Architectures from an Extended Search Space for Language Modeling
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
O tym modelu
NAS+ESS (23M) został opublikowany przez Northeastern University (China),NiuTrans Research,Kingsoft, w kraju zapisanym jako China, podczas May 2020. Kategoria, do której należy wydawca, to academia,Industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie neural Architecture Search - NAS, Language modeling.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Jak to zostało wytrenowane
Kryterium włączenia: sOTA improvement.
Odpowiedzi
NAS+ESS (23M) — częste pytania
NAS+ESS (23M)— kiedy to zostało wydane?
Zostało opublikowane w May 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
NAS+ESS (23M)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie neural Architecture Search - NAS, Language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
NAS+ESS (23M)— 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.
NAS+ESS (23M)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
NAS+ESS (23M)— ile ma parametrów?
Ma liczbę parametrów równą 23M. 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.
NAS+ESS (23M)— kto to stworzył?
Zostało opublikowane przez Northeastern University (China),NiuTrans Research,Kingsoft, oparty na China, organizacja sklasyfikowana jako academia,Industry.
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.