NASv3 (CIFAR-10)
Brak szacunków
Brak wymagań sprzętowych dla tego modelu
Wagi tego modelu nie zostały opublikowane, dlatego nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny wyłącznie poprzez jego dostawcę, a żadna karta graficzna tego nie zmieni.
Na nagraniu
Pełna specyfikacja
Wszystko, co jest dostępne na temat tego modelu. Większość z tego opisuje, jak został wytrenowany, a nie jak działa — przydatny kontekst do oceny, ile pracy w to włożono i jak wypada na tle modeli zbudowanych na innym poziomie skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Google Brain
- Typ organizacji
- Industry
- Kraj
- United States of America
- Opublikowane
- 5 November 2016
- Authors
- Barret Zoph, Quoc V. Le
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Image classification, Neural Architecture Search - NAS
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Parametry
- 37.4M
- Dane treningowe
- 45,000 tokens
Table 1
CIFAR-10 (does not factor in augmentation procedures)
Obliczenia szkoleniowe
Aritmetyka wykonywana w celu wytrenowania modelu, mierzone w operacjach zmiennoprzecinkowych. Jest to miara kosztu przeprowadzonego treningu, a nie tego, jak szybko gotowy model odpowiada na twoje zapytania.
- Obliczenia szkoleniowe
- 2.2 × 10²¹ FLOP
- Jak to zostało ustalone
- Third-party estimation,Operation counting
50 epochs * 50,000 images * 10.0 GFLOPSs * 12800 networks * 2 add-multiply * 3 backward pass = 1.9e6 PF = 22 pfs-days source: https://openai.com/blog/ai-and-compute/
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Chips used
- 800
- Compute cost
- $21,184
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Frontier model
- Yes
- Dlaczego jest śledzone
- Highly cited
- Zaufanie do nagrania
- Likely
- Cytacje
- 5,894
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Neural Architecture Search with Reinforcement Learning
- Ostatnia aktualizacja
- 25 May 2026
Co oznaczają liczby
O tym modelu
NASv3 (CIFAR-10) was published by Google Brain, in United States of America, in November 2016. The organisation is categorised as industry.
It works in Vision, and is recorded as doing image classification, Neural Architecture Search - NAS.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Jak to było trenowane
Producing it required around 2.2 × 10²¹ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
The training set ran to roughly 45,000 tokens.
Its inclusion criterion is highly cited.
Odpowiedzi
NASv3 (CIFAR-10) — Często zadawane pytania
Jaką GPU potrzebuję, aby uruchomić NASv3 (CIFAR-10)?
None. NASv3 (CIFAR-10) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is NASv3 (CIFAR-10) open source?
The licensing for NASv3 (CIFAR-10) was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does NASv3 (CIFAR-10) have?
NASv3 (CIFAR-10) has 37.4M parameters. Table 1. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created NASv3 (CIFAR-10)?
NASv3 (CIFAR-10) was published by Google Brain, based in United States of America, categorised as industry.
When was NASv3 (CIFAR-10) released?
NASv3 (CIFAR-10) was published in November 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is NASv3 (CIFAR-10) used for?
NASv3 (CIFAR-10) works in Vision, and is recorded as handling image classification, Neural Architecture Search - NAS. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train NASv3 (CIFAR-10)?
Around 2.2 × 10²¹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
W innym kierunku
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, wszystko co będzie ona obsługiwać, Rozpocznij od sprzętu..