JPMAX
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.
- Opublikowany
- 2 December 1994
- Autorzy
- Suzanna Becker
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Vision
- Zadanie
- Image representation
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 4.4K
- Dane treningowe
- 1,500 tokens
Inputs are 12x12 pixels (Figure 3). They first train the architecture in Figure 2 a), then freeze it and train the additional layer in Figure 3 b). Figure 2 a): 2*(12*12*15) + 2*15 = 4,350 Figure 2 b): 2*(12*12*15) + 2*15 + 2*(15*3) + 2*3 = 4,446
“Figure 3: 10 of the 1500 training patterns”
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
- 8.1 × 10⁷ FLOP
- Jak to zostało ustalone
- Operation counting
Training 2a): "The learning took about 3000 iterations of steepest descent" Assuming each iteration refers to a single image. 6 * 4446 * 3000 = 80,028,000 Training 2b): "While keeping the first layer of weights frozen, this network was trained using exactly the same cost function as the first layer for about 30 iterations using a gradient-based learning method." 6 * 4446 * 30 = 800,280 Total: 80,828,280
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Historical significance
- Zapisz pewność
- Speculative
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- JPMAX: Learning to Recognize Moving Objects as a Model-fitting Problem
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
O tym modelu
JPMAX został opublikowany przez its authors, podczas December 1994.
Działa w dziedzinie Vision, i jest zapisany jako wykonujący zadanie image representation.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Jak to zostało wytrenowane
Trening zajmował około 8.1 × 10⁷ FLOP. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Zbiór treningowy trwał około 1,500 Tokeny tekstu.
Kryterium włączenia: historical significance.
Odpowiedzi
JPMAX — częste pytania
JPMAX— do czego to służy?
Działa w dziedzinie Vision, i jest zarejestrowany jako realizujący zadanie image representation. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
JPMAX— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 8.1 × 10⁷ 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.
JPMAX— 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.
JPMAX— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
JPMAX— ile ma parametrów?
Ma liczbę parametrów równą 4.4K. Inputs are 12x12 pixels (Figure 3). They first train the architecture in Figure 2 a), then freeze it and train the additional layer in Figure 3 b). Figure 2 a): 2*(12*12*15) + 2*15 = 4,350 Figure 2 b): 2*(12*12*15) + 2*15 + 2*(15*3) + 2*3 = 4,446. 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.
JPMAX— kiedy to zostało wydane?
Zostało opublikowane w December 1994. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
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.