BERT-Large-CAS (WT103)
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
- Amazon
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowany
- 20 April 2019
- Autorzy
- Chenguang Wang, Mu Li, Alexander J. Smola
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Neural Architecture Search - NAS, Language modeling
- Model bazowy
- BERT-Large
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 340M
- Dane treningowe
- 103,000,000 tokens
- Epoki
- 50
Taken from Bert paper.
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 (non-commercial)
code, no license specified: https://github.com/cgraywang/gluon-nlp-1/tree/lmtransformer/scripts/language_model
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 139
- Dane benchmarkowe
- BERT-Large-CAS (WT103)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Language Models with Transformers
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
BERT-Large-CAS (WT103) został opublikowany przez Amazon, w kraju zapisanym jako United States of America, podczas April 2019. Wychodzi z organizacji zaklasyfikowanej jako industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie neural Architecture Search - NAS, Language modeling.
Jego punktem wyjścia był istniejący model podstawowy, BERT-Large. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Zbiór treningowy trwał około 103,000,000 Tokeny tekstu.
Odpowiedzi
BERT-Large-CAS (WT103) — częste pytania
BERT-Large-CAS (WT103)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
BERT-Large-CAS (WT103)— ile ma parametrów?
Ma liczbę parametrów równą 340M. Taken from Bert paper. 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.
BERT-Large-CAS (WT103)— kto to stworzył?
Zostało opublikowane przez Amazon, oparty na United States of America, organizacja sklasyfikowana jako industry.
BERT-Large-CAS (WT103)— kiedy to zostało wydane?
Zostało opublikowane w April 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
BERT-Large-CAS (WT103)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie neural Architecture Search - NAS, Language modeling. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
BERT-Large-CAS (WT103)— 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.
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.