AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)
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
- Peking University,Microsoft Research Asia
- Typ organizacji
- Academia,Industry
- Kraj
- China
- Opublikowany
- 18 September 2018
- Autorzy
- Chengyue Gong, Di He, Xu Tan, Tao Qin, Liwei Wang, Tie-Yan Liu
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling, Translation, Text classification
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 35M
- Dane treningowe
- 2,000,000 tokens
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: https://github.com/ChengyueGongR/Frequency-Agnostic
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
- Cytaty
- 152
- Dane benchmarkowe
- AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)
"Specifically, in language modeling and machine translation, we achieve better performance than the state-of-the-art results on PTB, WT2 and WMT14 English-German datasets."
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- FRAGE: Frequency-Agnostic Word Representation
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Skąd to pochodzi
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018) został opublikowany przez Peking University,Microsoft Research Asia, w kraju zapisanym jako China, podczas September 2018. Organizacja publikująca jest klasyfikowana jako academia,Industry.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling, Translation, Text classification.
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 2,000,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018) — częste pytania
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— ile ma parametrów?
Ma liczbę parametrów równą 35M. 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.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— kto to stworzył?
Zostało opublikowane przez Peking University,Microsoft Research Asia, oparty na China, organizacja sklasyfikowana jako academia,Industry.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— kiedy to zostało wydane?
Zostało opublikowane w September 2018. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
AWD-LSTM-MoS + dynamic evaluation (WT2, 2018)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling, Translation, Text classification. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
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.