VD-LSTM+REAL Large
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
- Salesforce Research,Stanford University
- Typ organizacji
- Industry,Academia
- Kraj
- United States of America
- Opublikowany
- 4 November 2016
- Autorzy
- Hakan Inan, Khashayar Khosravi, Richard Socher
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.
- parametry
- 51M
- Dane treningowe
- 929,000 tokens
- Epoki
- 75
51M (Table 3)
75 epochs (Figure 2b)
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
- 2.1 × 10¹⁶ FLOP
- Jak to zostało ustalone
- Operation counting
6 FLOP / parameter / token * 51000000 parameters * 929000 tokens * 75 epochs = 2.132055e+16 FLOP
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
- Unreleased
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
- 404
- Dane benchmarkowe
- VD-LSTM+REAL Large
"Our framework leads to state of the art performance on the Penn Treebank"
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Tying Word Vectors and Word Classifiers: A Loss Framework for Language Modeling
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Skąd to pochodzi
VD-LSTM+REAL Large został opublikowany przez Salesforce Research,Stanford University, w kraju zapisanym jako United States of America, podczas November 2016. Wychodzi z organizacji zaklasyfikowanej jako industry,Academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Jak to zostało wytrenowane
Wytworzenie tego wymagało arytmetyki sumującej około 2.1 × 10¹⁶ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 929,000 Tokeny tekstu.
Kryterium włączenia: sOTA improvement.
Odpowiedzi
VD-LSTM+REAL Large — częste pytania
VD-LSTM+REAL Large— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 2.1 × 10¹⁶ FLOP. 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.
VD-LSTM+REAL Large— 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.
VD-LSTM+REAL Large— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
VD-LSTM+REAL Large— ile ma parametrów?
Ma liczbę parametrów równą 51M. 51M (Table 3). 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.
VD-LSTM+REAL Large— kto to stworzył?
Zostało opublikowane przez Salesforce Research,Stanford University, oparty na United States of America, organizacja sklasyfikowana jako industry,Academia.
VD-LSTM+REAL Large— kiedy to zostało wydane?
Zostało opublikowane w November 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
VD-LSTM+REAL Large— 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.
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.