DEQ-TrellisNet (WT-103)
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
- Carnegie Mellon University (CMU),Intel Labs
- Typ organizacji
- Academia,Industry
- Kraj
- United States of America
- Opublikowany
- 3 September 2019
- Autorzy
- Shaojie Bai, J. Zico Kolter, Vladlen Koltun
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling/generation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 180M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 12
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
repo but no code for TrellisNet https://github.com/locuslab/deq/tree/master/DEQ-Sequence
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 873
- Dane benchmarkowe
- DEQ-TrellisNet
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Deep Equilibrium Models
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
DEQ-TrellisNet (WT-103) został opublikowany przez Carnegie Mellon University (CMU),Intel Labs, w kraju zapisanym jako United States of America, podczas September 2019. Wychodzi z organizacji zaklasyfikowanej jako academia,Industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling/generation.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Trening zużył korpus około 103,000,000 Tokeny tekstu.
Odpowiedzi
DEQ-TrellisNet (WT-103) — częste pytania
DEQ-TrellisNet (WT-103)— kiedy to zostało wydane?
Zostało opublikowane w September 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DEQ-TrellisNet (WT-103)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling/generation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
DEQ-TrellisNet (WT-103)— 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.
DEQ-TrellisNet (WT-103)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
DEQ-TrellisNet (WT-103)— ile ma parametrów?
Ma liczbę parametrów równą 180M. 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.
DEQ-TrellisNet (WT-103)— kto to stworzył?
Zostało opublikowane przez Carnegie Mellon University (CMU),Intel Labs, oparty na United States of America, 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.