Cross-lingual alignment
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu są OPEN, ale nie opublikowano liczby parametrów. Każda figura dotycząca MEMORY i prędkości zaczyna się od tej liczby, więc wolelibyśmy nic nie pokazywać niż wymyśloną estymację..
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
- Tel Aviv University,Massachusetts Institute of Technology (MIT)
- Typ organizacji
- Academia,Academia
- Kraj
- Israel, United States of America
- Opublikowany
- 4 April 2019
- Autorzy
- Tal Schuster, Ori Ram, Regina Barzilay, and Amir Globerson.
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Translation
- Model bazowy
- ELMo
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
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
- 2.6 × 10¹⁸ FLOP
- Jak to zostało ustalone
- Hardware
From author communication: Precision: float32 Hardware: 4 GPU NVIDIA 1080Ti NVIDIA 1080Ti: 1.06E+13 Compute: 7 GPU-days 0.4 * 1.06E+13 FLOP/s * 7 days * 24h/day * 3600s/h = 2.56E+18
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
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
- Open — downloadable
- Dostęp do modelu
- Open weights (unrestricted)
- Kod treningowy
- Open source
MIT license https://github.com/TalSchuster/CrossLingualContextualEmb
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
- Speculative
- Cytaty
- 221
"our method consistently outperforms the previous state-of-the-art on 6 tested languages" "Table 3 summarizes the results for our zero-shot, multi-source experiments on six languages from Google universal dependency treebank version 2.0." "Table 5 summarizes the results, showing that our algorithm outperforms the best model from the shared task by 5.05 LAS points and improves by over 10 points over a FASTTEXT baseline"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Cross-lingual alignment of contextual word embeddings, with applications to zero- shot dependency parsing.
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
Cross-lingual alignment został opublikowany przez Tel Aviv University,Massachusetts Institute of Technology (MIT), w kraju zapisanym jako Israel, podczas April 2019. Organizacja publikująca jest klasyfikowana jako academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie translation.
Jego punktem wyjścia był istniejący model podstawowy, ELMo. To jest zwykły sposób produkcji wyspecjalizowanego modelu.
Ponieważ jego wagi zostały udostępnione, nic w kwestii uruchamiania go nie zależy od dostępności dostawcy — należy do ciebie po pobraniu.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 2.6 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 1080 Ti. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
Cross-lingual alignment — częste pytania
Cross-lingual alignment— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.6 × 10¹⁸ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 1080 Ti. 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.
Cross-lingual alignment— Jaką GPU potrzebuję, aby ją uruchomić?
Nie możemy powiedzieć. Ma otwarte wagi, ale nie opublikowano liczby parametrów, a wszelkie obliczenia pamięci i prędkości zaczynają się od tej liczby. Wolimy nie pokazywać niczego niż fałszywą szacunkową wartość.
Cross-lingual alignment— czy jest open weight?
Jego wagi są opublikowane, więc można je pobrać i uruchomić na własnym sprzęcie. Zauważ, że OPEN WEIGHTS nie są tym samym co OPEN SOURCE w pełnym sensie — nie mówi nic o danych treningowych, kodzie treningowym, ani warunkach komercyjnych.
Cross-lingual alignment— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
Cross-lingual alignment— kto to stworzył?
Zostało opublikowane przez Tel Aviv University,Massachusetts Institute of Technology (MIT), oparty na Israel, organizacja sklasyfikowana jako academia,Academia.
Cross-lingual alignment— 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.
Cross-lingual alignment— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie translation. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
Cross-lingual alignment— Gdzie mogę to pobrać?
Wagi są opublikowane, chociaż nie posiadamy linku do repozytorium. Ta strona oblicza wymagania sprzętowe, a nie hostuje pliki modelu.
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.