Cube-Space AutoEncoder
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
- MIT-IBM Watson AI Lab
- Typ organizacji
- Academia,Industry
- Kraj
- United States of America
- Opublikowany
- 27 April 2020
- Autorzy
- Masataro Asai, Christian Muise
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision, Search
- Zadanie
- Visual puzzles
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
- 4,243,600,000 tokens
"Finally, we tested Mandrill 15-puzzle, a significantly more challenging 4x4 variant of the sliding tile puzzle (Figure 1). We trained the network with more hyperparameter tuning it- erations (300) and a larger training set (50000). We gener- ated l = 14, 21 instances (20 each) and ran the system (Ta- ble 2, bottom right). "
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 1.1 × 10¹⁷ FLOP
- Jak to zostało ustalone
- Hardware
(1) * (4113 * 10**9) * (24 * 3600) * (0.3) = 106608960000000000 (num gpu) * (peak flops) * (time in seconds) * (assumed utilization rate) = "For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80" 4.113 TFLOPS from https://www.techpowerup.com/gpu-specs/tesla-k80.c2616
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA Tesla K80
- Zastosowane chipy
- 1
- Czas-chip
- 24
- Czas rzeczywisty
- 24 hours
- Pobór mocy
- 337 W
"For each domain, we searched for 100 iterations (≈15min/iter, 24 hours total) on a Tesla K80"
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 56
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
Cube-Space AutoEncoder został opublikowany przez MIT-IBM Watson AI Lab, w kraju zapisanym jako United States of America, podczas April 2020. Organizacja publikująca jest klasyfikowana jako academia,Industry.
Działa w dziedzinie Vision, Search, i jest zapisany jako wykonujący zadanie visual puzzles.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 1.1 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K80. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 4,243,600,000 Tokeny tekstu.
Odpowiedzi
Cube-Space AutoEncoder — częste pytania
Cube-Space AutoEncoder— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Cube-Space AutoEncoder— kto to stworzył?
Zostało opublikowane przez MIT-IBM Watson AI Lab, oparty na United States of America, organizacja sklasyfikowana jako academia,Industry.
Cube-Space AutoEncoder— kiedy to zostało wydane?
Zostało opublikowane w April 2020. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Cube-Space AutoEncoder— do czego to służy?
Działa w dziedzinie Vision, Search, i jest zarejestrowany jako realizujący zadanie visual puzzles. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
Cube-Space AutoEncoder— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.1 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA Tesla K80. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
Cube-Space AutoEncoder— 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.
Cube-Space AutoEncoder— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
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.