GRU + p-tHSM (pretrain via Brown) (WT2)
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
- Beihang University,University of Montreal / Université de Montréal,Chongqing University
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- China, Canada
- Opublikowany
- 19 August 2017
- Autorzy
- Nan Jiang, Wenge Rong, Min Gao, Yikang Shen, Zhang Xiong
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
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
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, looks like just WT2. no clear license: https://github.com/jiangnanhugo/lmkit
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Unknown
- Dane benchmarkowe
- GRU + p-tHSM (pretrain via Brown) (WT2)
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Exploration of Tree-based Hierarchical Softmax for Recurrent Language Models
- Ostatnio zaktualizowane
- 11 February 2026
Co oznaczają liczby
Co to jest model?
GRU + p-tHSM (pretrain via Brown) (WT2) został opublikowany przez Beihang University,University of Montreal / Université de Montréal,Chongqing University, w kraju zapisanym jako China, podczas August 2017. Organizacja publikująca jest klasyfikowana jako academia,Academia,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Odpowiedzi
GRU + p-tHSM (pretrain via Brown) (WT2) — częste pytania
GRU + p-tHSM (pretrain via Brown) (WT2)— kto to stworzył?
Zostało opublikowane przez Beihang University,University of Montreal / Université de Montréal,Chongqing University, oparty na China, organizacja sklasyfikowana jako academia,Academia,Academia.
GRU + p-tHSM (pretrain via Brown) (WT2)— kiedy to zostało wydane?
Zostało opublikowane w August 2017. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
GRU + p-tHSM (pretrain via Brown) (WT2)— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
GRU + p-tHSM (pretrain via Brown) (WT2)— 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.
GRU + p-tHSM (pretrain via Brown) (WT2)— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
GRU + p-tHSM (pretrain via Brown) (WT2)— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
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.