iCCCP
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
- Massachusetts Institute of Technology (MIT)
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowane
- 13 June 2010
- Autorzy
- Long Zhu; Yuanhao Chen; Alan Yuille; William Freeman
Co to robi
Obszary problemowe, dla których stworzono model. Model może zawierać kilka z każdej.
- Domena
- Vision
- Zadanie
- Object detection
- Approach
- Supervised
Rozmiar
Jakiej wielkości jest model i na ile danych był szkolony. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 10,000 tokens
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
- 1.1 × 10¹⁵ FLOP
- Jak to zostało ustalone
- Hardware
“All experiments are performed on a standard computer with a 3Ghz CPU” “It takes 25 hours (about 25 iCCCP iterations) to train an object class with two mixture templates.” Individual models for some of the classes. Assuming a Core 2 with 8 FLOP/cycle was used with a utilization of 0.5: 3000000000*8*25*60*60*0.5=1080000000000000
Trening
Co fizycznie zajęło szkolenie: które chipy, ile ich, na jak długo i ile to pobrało z sieci.
- Chips used
- 1
- Wall-clock time
- 25 hours
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim własnym sprzęcie, co decyduje, czy jakiekolwiek z danych dotyczących karty graficznej na tej stronie mają zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety stosowane przez źródłowy zbiór danych podczas śledzenia znaczących modeli oraz jak pewny jest w danym wpisie.
- Dlaczego jest śledzone
- Historical significance,SOTA improvement
- Zaufanie do nagrania
- Confident
"We perform object detection using our learnt models and obtain performance comparable with state-of-the-art methods when evaluated on challenging public PASCAL datasets. "
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Latent hierarchical structural learning for object detection
- Ostatnia aktualizacja
- 28 November 2025
Co oznaczają liczby
O tym modelu
iCCCP was published by Massachusetts Institute of Technology (MIT), in United States of America, in June 2010. academia is the category the publisher falls under.
It works in Vision, and is recorded as doing object detection.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żadna karta graficzna tego nie zmieni.
Training and provenance
The training run consumed about 1.1 × 10¹⁵ FLOP. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
Around 10,000 tokens went into training it.
It is tracked in the underlying dataset for one reason in particular: historical significance,SOTA improvement.
Odpowiedzi
iCCCP — Często zadawane pytania
Who created iCCCP?
iCCCP was published by Massachusetts Institute of Technology (MIT), based in United States of America, categorised as academia.
When was iCCCP released?
iCCCP was published in June 2010. 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 iCCCP used for?
iCCCP works in Vision, and is recorded as handling object detection. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train iCCCP?
Around 1.1 × 10¹⁵ 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.
Jaką GPU potrzebuję, aby uruchomić iCCCP?
None. iCCCP 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 iCCCP open source?
No. iCCCP has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does iCCCP have?
No parameter count has been published for iCCCP, which is why no memory or speed figure appears on this page.
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..