Сущности · сознания и возможные сознания, упорядоченные по свидетельствам
Если мир — симуляция, сознания могут оказаться одними из самых трудных для вычисления вещей в нём. Этот путеводитель перечисляет известные случаи, от отдельных клеток до людей. Он также охватывает построенные до сих пор искусственные системы и сознания, которые предлагали учёные и философы, но которых никто не наблюдал.
У каждой цифры есть источник и метка уверенности. измерено — прямой подсчёт, оценка — вычислено из других данных, а не подсчитано означает, что никто не публиковал подсчёта. Есть ли у этих систем опыт — отдельный вопрос. Свидетельства по нему — в разделах критерии способности чувствовать и индикаторы сознания.
Отдельные сознания
- Косатка †43,1 миллиарда
- Длинноплавниковая гринда †37,2 миллиарда
- Человек▲116,3 миллиарда
- Морская свинья †14,9 миллиарда
- Афалина †12,7 миллиарда
- Клюворыл Кювье9,1 миллиарда
- Горилла8,5 миллиарда
- Орангутан8,5 миллиарда
- Шимпанзе7,4 миллиарда
- Обыкновенный дельфин6,7 миллиарда
- Гренландский тюлень6,1 миллиарда
- Африканский слон▼15,6 миллиарда
- Финвал5,2 миллиарда
- Синий кит5,1 миллиарда
- Малый полосатик3,2 миллиарда
Показать числа
| # | Животное | Кора или паллиум | Весь мозг |
|---|---|---|---|
| 1 | Косатка † | 43,1 миллиарда | |
| 2 | Длинноплавниковая гринда † | 37,2 миллиарда | |
| 3 | Человек | 16,3 миллиарда | 86,1 миллиарда |
| 4 | Морская свинья † | 14,9 миллиарда | |
| 5 | Афалина † | 12,7 миллиарда | |
| 6 | Клюворыл Кювье | 9,1 миллиарда | |
| 7 | Горилла | 8,5 миллиарда | |
| 8 | Орангутан | 8,5 миллиарда | |
| 9 | Шимпанзе | 7,4 миллиарда | |
| 10 | Обыкновенный дельфин | 6,7 миллиарда | |
| 11 | Гренландский тюлень | 6,1 миллиарда | |
| 12 | Африканский слон | 5,6 миллиарда | 257 миллиардов |
| 13 | Финвал | 5,2 миллиарда | |
| 14 | Синий кит | 5,1 миллиарда | |
| 15 | Малый полосатик | 3,2 миллиарда | 57,4 миллиарда |
| 16 | Оливковый павиан | 2,88 миллиарда | 10,95 миллиарда |
| 17 | Белуха | 2,7 миллиарда | |
| 18 | Карликовый кашалот | 2,02 миллиарда | |
| 19 | Сине-жёлтый ара | 1,92 миллиарда | 3,14 миллиарда |
| 20 | Макак-резус | 1,71 миллиарда | 6,39 миллиарда |
| 21 | Жираф | 1,67 миллиарда | 11,21 миллиарда |
| 22 | Беличья обезьяна | 1,34 миллиарда | 3,25 миллиарда |
| 23 | Филин | 1,33 миллиарда | 1,9 миллиарда |
| 24 | Kea | 1,28 миллиарда | 2,15 миллиарда |
| 25 | Белая сова | 1,27 миллиарда | 1,81 миллиарда |
| 26 | Ворон | 1,2 миллиарда | 2,17 миллиарда |
| 27 | Серая неясыть | 1,15 миллиарда | 1,58 миллиарда |
| 28 | Обезьяна-капуцин | 1,14 миллиарда | 3,69 миллиарда |
| 29 | Жёлтохохлый какаду | 1,14 миллиарда | 2,12 миллиарда |
| 30 | Серый попугай | 850 миллионов | 1,57 миллиарда |
| 31 | Грач | 820 миллионов | 1,51 миллиарда |
| 32 | Большой куду | 793,07 миллиона | 6,09 миллиарда |
| 33 | Ушастая сова | 673 миллиона | 991,31 миллиона |
| 34 | Какаду Гоффина | 599 миллионов | 1,16 миллиарда |
| 35 | Лев | 545,24 миллиона | 4,67 миллиарда |
| 36 | Орлан-белохвост | 542,93 миллиона | 1,65 миллиарда |
| 37 | Сойка | 529 миллионов | 1,09 миллиарда |
| 38 | Домашняя собака | 526 миллионов | |
| 39 | Полосатая гиена | 495,28 миллиона | 3,88 миллиарда |
| 40 | Галка | 492 миллиона | 967,99 миллиона |
| 41 | Африканский страус | 479,41 миллиона | 1,63 миллиарда |
| 42 | Сорока | 443 миллиона | 897,27 миллиона |
| 43 | Балобан | 442,95 миллиона | 1,2 миллиарда |
| 44 | Эму | 439 миллионов | 1,34 миллиарда |
| 45 | Енот-полоскун | 437,94 миллиона | 2,15 миллиарда |
| 46 | Сипуха | 437 миллионов | 689,54 миллиона |
| 47 | Домовый сыч | 400,82 миллиона | 585,92 миллиона |
| 48 | Чёрный гриф | 398,9 миллиона | 1,01 миллиарда |
| 49 | Воробьиный сычик | 364 миллиона | 533,26 миллиона |
| 50 | Обыкновенный канюк | 351,7 миллиона | 1 миллиард |
| 51 | Нанду | 330,34 миллиона | 1,03 миллиарда |
| 52 | Шипун | 323,66 миллиона | 1 миллиард |
| 53 | Домашняя свинья | 293 миллиона | 2,22 миллиарда |
| 54 | Серый гусь | 258,65 миллиона | 738,23 миллиона |
| 55 | Бурый медведь | 250,97 миллиона | 9,59 миллиарда |
| 56 | Домашняя кошка | 250 миллионов | 1,22 миллиарда |
| 57 | Обыкновенная игрунка | 245 миллионов | 638 миллионов |
| 58 | Обыкновенная пустельга | 237,9 миллиона | 624,58 миллиона |
| 59 | Чирок-свистунок | 167,29 миллиона | 375,41 миллиона |
| 60 | Волнистый попугайчик | 149 миллионов | 321,82 миллиона |
| 61 | Краснозобая казарка | 148,62 миллиона | 482,71 миллиона |
| 62 | Каролинская утка | 138,21 миллиона | 305,82 миллиона |
| 63 | Африканский карликовый сокол | 131,9 миллиона | 350,37 миллиона |
| 64 | Мраморный чирок | 130,14 миллиона | 386,92 миллиона |
| 65 | Индийский павлин | 129,62 миллиона | 570,93 миллиона |
| 66 | Желтобугорчатый кракс | 124,62 миллиона | 652,99 миллиона |
| 67 | Венценосный голубь Виктории | 118,45 миллиона | 578,7 миллиона |
| 68 | Кряква | 112,26 миллиона | 367,47 миллиона |
| 69 | Дикая индейка | 105,65 миллиона | 492,87 миллиона |
| 70 | Перепелятник | 87,83 миллиона | 401,75 миллиона |
| 71 | Фазан Ривза | 80,69 миллиона | 387,17 миллиона |
| 72 | Сизый голубь | 72 миллиона | 310 миллионов |
| 73 | Европейский кролик | 71,5 миллиона | 513 миллионов |
| 74 | Банкивская джунглевая курица | 60,7 миллиона | 220,84 миллиона |
| 75 | Чилийский тинаму | 59,13 миллиона | 241,37 миллиона |
| 76 | Зебровая амадина | 55,2 миллиона | 135,98 миллиона |
| 77 | Изящный хохлатый тинаму | 51,38 миллиона | 217,77 миллиона |
| 78 | Вяхирь | 51,33 миллиона | 258,68 миллиона |
| 79 | Хохлатый тинаму кебрачо | 48,29 миллиона | 235,67 миллиона |
| 80 | Кольчатая горлица | 40 миллионов | 139,27 миллиона |
| 81 | Виргинская перепёлка | 39,11 миллиона | 148,4 миллиона |
| 82 | Серая куропатка | 36,88 миллиона | 170,29 миллиона |
| 83 | Крыса | 31 миллион | 200 миллионов |
| 84 | Обыкновенная перепёлка | 22,57 миллиона | 117,76 миллиона |
| 85 | Королевская перепёлка | 20,52 миллиона | 80,48 миллиона |
| 86 | Бриллиантовая горлица | 18,21 миллиона | 87,88 миллиона |
| 87 | Мышь | 13,7 миллиона | 70,9 миллиона |
| 88 | Голый землекоп | 5,31 миллиона | 33,62 миллиона |
- Неокортекс человека1.6 × 10¹⁴
- GPT-5.5 (OpenAI, 2026) *~4.7 × 10¹²
- Claude Fable 5 (Anthropic, 2026) *~3.5 × 10¹²
- Grok 3 (xAI, 2025)~3 × 10¹²
- Grok 4 (xAI, 2025)~3 × 10¹²
- Gemini 2.5 Pro (Google, 2025) *~3 × 10¹²
- Kimi K3 (Moonshot, 2026)~2.8 × 10¹²
- Qwen 3.8 Max (Alibaba, 2026)2.4 × 10¹²
- Qwen3.8-2.4T-A95B (Alibaba, 2026)2.4 × 10¹²
- Grok 4.7 (xAI, 2026) *~2.1 × 10¹²
- Llama 4 Behemoth (Meta AI, 2025)~2 × 10¹²
- GPT-4 (OpenAI, 2023)~1.8 × 10¹²
- DeepSeek-V4-Pro (DeepSeek, 2026)~1.6 × 10¹²
- LongCat-2.0 (Meituan Inc, 2026)~1.6 × 10¹²
- Switch (Google, 2021)1.6 × 10¹²
- GLaM (Google, 2021)1.2 × 10¹²
- PanGu-Σ (Huawei Noah's Ark Lab, 2023)1.1 × 10¹²
- Kimi K2.5 (Moonshot, 2026)~1 × 10¹²
- Composer 2 (Cursor, 2026)1 × 10¹²
- Kimi K2.6 (Moonshot, 2026)1 × 10¹²
- Composer 2.5 (Cursor, 2026)~1 × 10¹²
- MiMo-V2-Pro (Xiaomi Corp, 2026)1 × 10¹²
- MiMo-V2.5-Pro (Xiaomi Corp, 2026)~1 × 10¹²
- M6-T (Alibaba, 2021)~1 × 10¹²
- Kimi K2 (Moonshot, 2025)1 × 10¹²
- Qwen3-Max (Alibaba, 2025)~1 × 10¹²
- Ling-1T (Ant Group, 2025)1 × 10¹²
- Kimi K2 Thinking (Moonshot, 2025)~1 × 10¹²
- Inkling (Thinking Machines, 2026)~9.8 × 10¹¹
- Tencent Hy4 preview (Tencent, 2026)~7.7 × 10¹¹
- GLM-5.1 (Z.ai (Zhipu AI), 2026)7.5 × 10¹¹
- K-EXAONE 2.0 (LG AI Research, 2026)7.5 × 10¹¹
- DeepSeek V4.1 Flash (DeepSeek, 2026)~7.5 × 10¹¹
- GLM-5 (Z.ai (Zhipu AI), 2026)~7.4 × 10¹¹
- GLM-5.3 (Z.ai (Zhipu AI), 2026)7.4 × 10¹¹
- A.X K2 (SK Telecom, 2026)6.9 × 10¹¹
- DeepSeekMath-V2 (DeepSeek, 2025)6.8 × 10¹¹
- Mistral Large 3 (Mistral AI, 2025)6.8 × 10¹¹
- DeepSeek-V3 (DeepSeek, 2024)6.7 × 10¹¹
- DeepSeek-R1 (DeepSeek, 2025)6.7 × 10¹¹
Показать числа
| # | Система | Все параметры | Используется на токен | Год | Вид |
|---|---|---|---|---|---|
| 1 | Неокортекс человека | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | синапсов | |
| 2 | GPT-5.5 (OpenAI, 2026) * | ~4.7 × 10¹² | 2026 | оценка | |
| 3 | Claude Fable 5 (Anthropic, 2026) * | ~3.5 × 10¹² | 2026 | оценка | |
| 4 | Grok 3 (xAI, 2025) | ~3 × 10¹² | 2025 | оценка | |
| 5 | Grok 4 (xAI, 2025) | ~3 × 10¹² | 2025 | оценка | |
| 6 | Gemini 2.5 Pro (Google, 2025) * | ~3 × 10¹² | 2025 | оценка | |
| 7 | Kimi K3 (Moonshot, 2026) | ~2.8 × 10¹² | 2026 | оценка | |
| 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | архитектура не указана |
| 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | смесь экспертов |
| 10 | Grok 4.7 (xAI, 2026) * | ~2.1 × 10¹² | 2026 | оценка | |
| 11 | Llama 4 Behemoth (Meta AI, 2025) | ~2 × 10¹² | 2025 | оценка | |
| 12 | GPT-4 (OpenAI, 2023) | ~1.8 × 10¹² | 2023 | оценка | |
| 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | ~1.6 × 10¹² | 2026 | оценка | |
| 14 | LongCat-2.0 (Meituan Inc, 2026) | ~1.6 × 10¹² | 2026 | оценка | |
| 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | смесь экспертов (число активных параметров не опубликовано) |
| 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | смесь экспертов (число активных параметров не опубликовано) |
| 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | смесь экспертов (число активных параметров не опубликовано) |
| 18 | Kimi K2.5 (Moonshot, 2026) | ~1 × 10¹² | 2026 | оценка | |
| 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 21 | Composer 2.5 (Cursor, 2026) | ~1 × 10¹² | 2026 | оценка | |
| 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | архитектура не указана |
| 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | ~1 × 10¹² | 2026 | оценка | |
| 24 | M6-T (Alibaba, 2021) | ~1 × 10¹² | 2021 | оценка | |
| 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 26 | Qwen3-Max (Alibaba, 2025) | ~1 × 10¹² | 2025 | оценка | |
| 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | смесь экспертов |
| 28 | Kimi K2 Thinking (Moonshot, 2025) | ~1 × 10¹² | 2025 | оценка | |
| 29 | Inkling (Thinking Machines, 2026) | ~9.8 × 10¹¹ | 2026 | оценка | |
| 30 | Tencent Hy4 preview (Tencent, 2026) | ~7.7 × 10¹¹ | 2026 | оценка | |
| 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | ~7.5 × 10¹¹ | 2026 | оценка | |
| 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | ~7.4 × 10¹¹ | 2026 | оценка | |
| 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | смесь экспертов |
| 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | смесь экспертов |
| 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | смесь экспертов |
| 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | смесь экспертов |
| 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | архитектура не указана |
| 42 | Step 5 Preview (StepFun, 2026) | ~6 × 10¹¹ | 2026 | оценка | |
| 43 | PaLM-E (Google, 2023) | ~5.6 × 10¹¹ | 2023 | оценка | |
| 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 45 | LongCat-Flash (Meituan Inc, 2025) | ~5.6 × 10¹¹ | 2025 | оценка | |
| 46 | Nemotron 3 Ultra (Nvidia, 2026) | ~5.5 × 10¹¹ | 2026 | оценка | |
| 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная |
| 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная |
| 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная |
| 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная |
| 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | плотная |
| 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | плотная |
| 53 | MegaScale (ByteDance, 2024) | ~5.3 × 10¹¹ | 2024 | оценка | |
| 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 55 | Doubao-pro (ByteDance, 2024) | ~5 × 10¹¹ | 2024 | оценка | |
| 56 | Grok 4.20 (xAI, 2026) | ~5 × 10¹¹ | 2026 | оценка | |
| 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | смесь экспертов |
| 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | смесь экспертов |
| 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | смесь экспертов |
| 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | плотная |
| 61 | Llama 4 Maverick (Meta AI, 2025) | ~4 × 10¹¹ | 2025 | оценка | |
| 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) |
| 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | ~4 × 10¹¹ | 2026 | оценка | |
| 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) |
| 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | оценка | |
| 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | оценка | |
| 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | смесь экспертов |
| 68 | PaLM 2 (Google, 2023) | ~3.4 × 10¹¹ | 2023 | оценка | |
| 69 | Med-PaLM 2 (Google Research, 2023) | ~3.4 × 10¹¹ | 2023 | оценка | |
| 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | плотная |
| 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | ~3.2 × 10¹¹ | 2026 | оценка | |
| 72 | Grok-1 (xAI, 2023) | ~3.1 × 10¹¹ | 2023 | оценка | |
| 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 74 | SB-LM (Google, 2007) | ~3 × 10¹¹ | 2007 | оценка | |
| 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | ~2.8 × 10¹¹ | 2026 | оценка | |
| 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | плотная |
| 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | смесь экспертов (число активных параметров не опубликовано) |
| 80 | ST-MoE (Google, 2022) | ~2.7 × 10¹¹ | 2022 | оценка | |
| 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | плотная |
| 82 | Solar Open2 250B (Upstage, 2026) | ~2.5 × 10¹¹ | 2026 | оценка | |
| 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | ~2.5 × 10¹¹ | 2024 | оценка | |
| 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | архитектура не указана |
| 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) |
| 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) |
| 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | архитектура не указана |
| 88 | Qwen3-235B-A22B (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | оценка | |
| 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | оценка | |
| 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | ~2.4 × 10¹¹ | 2025 | оценка | |
| 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | смесь экспертов |
| 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 94 | HyperCLOVA 204B (NAVER, 2021) | ~2 × 10¹¹ | 2021 | оценка | |
| 95 | Amazon Titan (Amazon, 2023) | ~2 × 10¹¹ | 2023 | оценка | |
| 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | плотная |
| 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | архитектура не указана |
| 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная |
| 99 | BLUUMI (University of Turku, 2023) | ~1.8 × 10¹¹ | 2023 | оценка | |
| 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная |
| 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | плотная |
| 102 | BlenderBot 3 (McGill University, 2022) | ~1.8 × 10¹¹ | 2022 | оценка | |
| 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | плотная |
| 104 | Palmyra X 004 (Writer, 2024) | ~1.5 × 10¹¹ | 2024 | оценка | |
| 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | архитектура не указана |
| 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | архитектура не указана |
| 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | архитектура не указана |
| 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | архитектура не указана |
| 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | смесь экспертов (число активных параметров не опубликовано) |
| 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | плотная |
| 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | архитектура не указана |
| 112 | Mistral Large 2 (Mistral AI, 2024) | ~1.2 × 10¹¹ | 2024 | оценка | |
| 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | ~1.2 × 10¹¹ | 2026 | оценка | |
| 114 | Galactica (Meta AI, 2022) | ~1.2 × 10¹¹ | 2022 | оценка | |
| 115 | Nemotron 3 Super (Nvidia, 2026) | ~1.2 × 10¹¹ | 2026 | оценка | |
| 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | смесь экспертов |
| 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | архитектура не указана |
| 118 | Kaiju Large (Character.ai, 2025) | ~1.1 × 10¹¹ | 2025 | оценка | |
| 119 | Llama 4 Scout (Meta AI, 2025) | ~1.1 × 10¹¹ | 2025 | оценка | |
| 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | плотная |
| 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | архитектура не указана |
| 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | плотная |
| 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | архитектура не указана |
| 124 | Yi-Large (01.AI, 2024) | ~1 × 10¹¹ | 2024 | оценка | |
| 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | архитектура не указана |
| 127 | Неокортекс мыши | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | синапсов | |
| 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | плотная |
| 129 | Qwen3-Coder-Next (Alibaba, 2026) | ~8 × 10¹⁰ | 2026 | оценка | |
| 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная |
| 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная |
| 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | плотная |
| 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | плотная |
| 134 | Palmyra X 003 (Writer, 2024) | ~7.2 × 10¹⁰ | 2024 | оценка | |
| 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | плотная |
| 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | плотная |
| 137 | NVLM-X 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | оценка | |
| 138 | NVLM-H 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | оценка | |
| 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | архитектура не указана |
| 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | архитектура не указана |
| 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | плотная |
| 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | плотная |
| 143 | PPLX-70B-Online (Perplexity, 2023) | ~7 × 10¹⁰ | 2023 | оценка | |
| 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | плотная |
| 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | архитектура не указана |
| 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | плотная |
| 147 | Reka Core (Reka AI, 2024) | ~6.7 × 10¹⁰ | 2024 | оценка | |
| 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | плотная |
| 149 | SNM-skip (Google, 2014) | ~6.2 × 10¹⁰ | 2014 | оценка | |
| 150 | PaLI-X (Google Research, 2023) | ~5.5 × 10¹⁰ | 2023 | оценка | |
| 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | архитектура не указана |
| 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | архитектура не указана |
| 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | плотная |
| 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | плотная |
| 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | смесь экспертов (число активных параметров не опубликовано) |
| 156 | Mixtral 8x7B (Mistral AI, 2023) | ~4.7 × 10¹⁰ | 2023 | оценка | |
| 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | архитектура не указана |
| 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | плотная |
| 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | смесь экспертов |
| 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | плотная |
| 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | архитектура не указана |
| 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | архитектура не указана |
| 163 | Kaiju Medium (Character.ai, 2025) | ~3.4 × 10¹⁰ | 2025 | оценка | |
| 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | архитектура не указана |
| 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | плотная |
| 166 | QwQ-32B (Alibaba, 2025) | ~3.3 × 10¹⁰ | 2025 | оценка | |
| 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | архитектура не указана |
| 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана |
| 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана |
| 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана |
| 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | архитектура не указана |
| 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | ~3.2 × 10¹⁰ | 2025 | оценка | |
| 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | архитектура не указана |
| 174 | MM1-30B (Apple, 2024) | ~3 × 10¹⁰ | 2024 | оценка | |
| 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | архитектура не указана |
| 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | архитектура не указана |
| 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | архитектура не указана |
| 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | архитектура не указана |
| 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | архитектура не указана |
| 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | архитектура не указана |
| 181 | KN-LM (Google, 2007) | ~2.1 × 10¹⁰ | 2007 | оценка | |
| 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 183 | RNN for 1B words (Google, 2013) | ~2 × 10¹⁰ | 2013 | оценка | |
| 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | плотная |
| 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана |
| 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана |
| 187 | GPT-3.5 Turbo (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | оценка | |
| 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | оценка | |
| 189 | SPHINX (Shanghai AI Lab, 2023) | ~2 × 10¹⁰ | 2023 | оценка | |
| 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | архитектура не указана |
| 191 | CogAgent (Tsinghua University, 2023) | ~1.8 × 10¹⁰ | 2023 | оценка | |
| 192 | Turing-NLG (Microsoft, 2020) | ~1.7 × 10¹⁰ | 2020 | оценка | |
| 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | архитектура не указана |
| 194 | PaLI (Google, 2022) | ~1.7 × 10¹⁰ | 2022 | оценка | |
| 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | архитектура не указана |
| 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | плотная |
| 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | архитектура не указана |
| 198 | FunSearch (Google DeepMind, 2023) | ~1.5 × 10¹⁰ | 2023 | оценка | |
| 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | архитектура не указана |
| 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | архитектура не указана |
| 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | архитектура не указана |
| 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана |
| 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | плотная |
| 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | архитектура не указана |
| 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | плотная |
| 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана |
| 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана |
| 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | ~1.3 × 10¹⁰ | 2023 | оценка | |
| 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана |
| 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | архитектура не указана |
| 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | плотная |
| 212 | Volcano 13B (Korea University, 2023) | ~1.3 × 10¹⁰ | 2023 | оценка | |
| 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | ~1.3 × 10¹⁰ | 2024 | оценка | |
| 214 | Kaiju Small (Character.ai, 2025) | ~1.3 × 10¹⁰ | 2025 | оценка | |
| 215 | ByT5-XXL (Google, 2021) | ~1.3 × 10¹⁰ | 2021 | оценка | |
| 216 | CoRe (Tsinghua University, 2023) | ~1.2 × 10¹⁰ | 2023 | оценка | |
| 217 | DALL-E (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | оценка | |
| 218 | Codex (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | оценка | |
| 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | плотная |
| 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | плотная |
| 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана |
| 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана |
| 223 | CoEdiT-xxl (University of Minnesota, 2023) | ~1.1 × 10¹⁰ | 2023 | оценка | |
| 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | архитектура не указана |
| 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | архитектура не указана |
| 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | плотная |
| 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | плотная |
| 228 | ERNIE-ViLG (Baidu, 2021) | ~1 × 10¹⁰ | 2021 | оценка | |
| 229 | Qwen-VL (Alibaba, 2023) | ~9.6 × 10⁹ | 2023 | оценка | |
| 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | архитектура не указана |
| 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | смесь экспертов (число активных параметров не опубликовано) |
| 232 | CogVideo (Tsinghua University, 2022) | ~9.4 × 10⁹ | 2022 | оценка | |
| 233 | eDiff-I (Nvidia, 2022) | ~9.1 × 10⁹ | 2022 | оценка | |
| 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | архитектура не указана |
| 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | смесь экспертов (число активных параметров не опубликовано) |
| 236 | Qwen-Audio-Chat (Alibaba, 2023) | ~8.5 × 10⁹ | 2023 | оценка | |
| 237 | Megatron-LM (Nvidia, 2019) | ~8.3 × 10⁹ | 2019 | оценка | |
| 238 | BigSSL (Google, 2021) | ~8 × 10⁹ | 2021 | оценка | |
| 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | архитектура не указана |
| 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | плотная |
| 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 242 | Imagen (Google Brain, 2022) | ~7.8 × 10⁹ | 2022 | оценка | |
| 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | архитектура не указана |
| 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | архитектура не указана |
| 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | архитектура не указана |
| 246 | mPLUG-Owl2 (Alibaba, 2023) | ~7.1 × 10⁹ | 2023 | оценка | |
| 247 | Goat-7B (National University of Singapore, 2023) | ~7 × 10⁹ | 2023 | оценка | |
| 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | плотная |
| 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | плотная |
| 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | плотная |
| 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | архитектура не указана |
| 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | архитектура не указана |
| 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | ~7 × 10⁹ | 2025 | оценка | |
| 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | архитектура не указана |
| 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | архитектура не указана |
| 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | архитектура не указана |
| 257 | GPipe (Google, 2018) | ~6 × 10⁹ | 2018 | оценка | |
| 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | плотная |
| 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | архитектура не указана |
| 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | ~6 × 10⁹ | 2023 | оценка | |
| 261 | MolmoAct 2 (Allen Institute for AI, 2026) | ~5.5 × 10⁹ | 2026 | оценка | |
| 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | архитектура не указана |
| 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | смесь экспертов (число активных параметров не опубликовано) |
| 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | архитектура не указана |
| 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | плотная |
| 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | архитектура не указана |
| 267 | CogView (Tsinghua University, 2021) | ~4 × 10⁹ | 2021 | оценка | |
| 268 | Make-A-Scene (Meta AI, 2022) | ~4 × 10⁹ | 2022 | оценка | |
| 269 | ONE-PEACE (Alibaba, 2023) | ~4 × 10⁹ | 2023 | оценка | |
| 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | плотная |
| 271 | DALL·E 2 (OpenAI, 2022) | ~3.5 × 10⁹ | 2022 | оценка | |
| 272 | Stable Diffusion XL (Stability AI, 2023) | ~3.4 × 10⁹ | 2023 | оценка | |
| 273 | MusicGen (Meta AI, 2023) | ~3.4 × 10⁹ | 2023 | оценка | |
| 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | архитектура не указана |
| 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | архитектура не указана |
| 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | архитектура не указана |
| 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | ~3.2 × 10⁹ | 2016 | оценка | |
| 278 | BASIC-L (Google, 2021) | ~3.1 × 10⁹ | 2021 | оценка | |
| 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | архитектура не указана |
| 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | архитектура не указана |
| 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана |
| 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана |
| 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана |
| 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | архитектура не указана |
| 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | архитектура не указана |
| 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | ~2.9 × 10⁹ | 2018 | оценка | |
| 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | плотная |
| 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | плотная |
| 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | архитектура не указана |
| 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | ~2.7 × 10⁹ | 2022 | оценка | |
| 291 | Hybrid H3-2.7B (Stanford University, 2022) | ~2.7 × 10⁹ | 2022 | оценка | |
| 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | архитектура не указана |
| 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | плотная |
| 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | плотная |
| 295 | Nucleotide Transformer (Nvidia, 2023) | ~2.5 × 10⁹ | 2023 | оценка | |
| 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | архитектура не указана |
| 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | архитектура не указана |
| 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | плотная |
| 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | архитектура не указана |
| 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | архитектура не указана |
| 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | архитектура не указана |
| 302 | MuseNet (OpenAI, 2019) | ~2 × 10⁹ | 2019 | оценка | |
| 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | архитектура не указана |
| 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | плотная |
| 305 | BEIT-3 (Microsoft, 2022) | ~1.9 × 10⁹ | 2022 | оценка | |
| 306 | Ankh_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | архитектура не указана |
| 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | архитектура не указана |
| 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | архитектура не указана |
| 309 | Phenaki (University College London (UCL), 2022) | ~1.8 × 10⁹ | 2022 | оценка | |
| 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | архитектура не указана |
| 311 | DistBelief Vision (Google, 2012) | ~1.7 × 10⁹ | 2012 | оценка | |
| 312 | Whisper (OpenAI, 2022) | ~1.6 × 10⁹ | 2022 | оценка | |
| 313 | GPT-2 (OpenAI, 2019) | ~1.5 × 10⁹ | 2019 | оценка | |
| 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | архитектура не указана |
| 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | архитектура не указана |
| 316 | AudioLM (Google Research, 2023) | ~1.5 × 10⁹ | 2023 | оценка | |
| 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | архитектура не указана |
| 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | архитектура не указана |
| 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | плотная |
| 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | архитектура не указана |
| 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | плотная |
| 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | плотная |
| 323 | RDT-1B (Tsinghua University, 2024) | ~1.2 × 10⁹ | 2024 | оценка | |
| 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | архитектура не указана |
| 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | архитектура не указана |
| 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | архитектура не указана |
| 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | архитектура не указана |
| 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | архитектура не указана |
| 329 | Unsupervised High-level Feature Learner (Google, 2012) | ~1 × 10⁹ | 2012 | оценка | |
| 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | плотная |
| 331 | HuBERT (Facebook AI Research, 2021) | ~1 × 10⁹ | 2021 | оценка | |
| 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | плотная |
| 333 | AudioGen (Meta AI, 2023) | ~1 × 10⁹ | 2023 | оценка | |
| 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | архитектура не указана |
| 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | ~9.4 × 10⁸ | 2013 | оценка | |
| 336 | ImageBind (Meta AI, 2023) | ~9.3 × 10⁸ | 2023 | оценка | |
| 337 | Big Transfer (Google Brain, 2019) | ~9.3 × 10⁸ | 2019 | оценка | |
| 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | архитектура не указана |
| 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | архитектура не указана |
| 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | архитектура не указана |
| 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | плотная |
| 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | ~8.3 × 10⁸ | 2019 | оценка | |
| 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | архитектура не указана |
| 344 | Statement Curriculum Learning (OpenAI, 2022) | ~7.7 × 10⁸ | 2022 | оценка | |
| 345 | CodeT5-large (Salesforce, 2022) | ~7.7 × 10⁸ | 2022 | оценка | |
| 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | архитектура не указана |
| 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | архитектура не указана |
| 348 | data2vec (Meta AI, 2022) | ~7.1 × 10⁸ | 2022 | оценка | |
| 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | архитектура не указана |
| 350 | Word2Vec (Google, 2013) | ~6.9 × 10⁸ | 2013 | оценка | |
| 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | архитектура не указана |
| 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | ~6.8 × 10⁸ | 2023 | оценка | |
| 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | архитектура не указана |
| 354 | XLM (Facebook, 2019) | ~6.7 × 10⁸ | 2019 | оценка | |
| 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | плотная |
| 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | архитектура не указана |
| 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | плотная |
| 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | ~6.3 × 10⁸ | 2021 | оценка | |
| 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | плотная |
| 360 | DLDL (University of Oxford, 2016) | ~5.6 × 10⁸ | 2016 | оценка | |
| 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | архитектура не указана |
| 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | архитектура не указана |
| 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | плотная |
| 364 | LUKE (University of Washington, 2020) | ~4.8 × 10⁸ | 2020 | оценка | |
| 365 | EfficientNet-L2 (Google, 2019) | ~4.8 × 10⁸ | 2019 | оценка | |
| 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | плотная |
| 367 | Meta Pseudo Labels (Google Brain, 2021) | ~4.8 × 10⁸ | 2021 | оценка | |
| 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | архитектура не указана |
| 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | плотная |
| 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | плотная |
| 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | архитектура не указана |
| 372 | OntoProtein (Zhejiang University (ZJU), 2022) | ~4.2 × 10⁸ | 2022 | оценка | |
| 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | архитектура не указана |
| 374 | BART-large (Facebook AI, 2019) | ~4.1 × 10⁸ | 2019 | оценка | |
| 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | архитектура не указана |
| 376 | BERT-Large-CAS (Amazon, 2019) | ~4 × 10⁸ | 2019 | оценка | |
| 377 | MoCo (Facebook AI, 2019) | ~3.8 × 10⁸ | 2019 | оценка | |
| 378 | SimCLR (Google Brain, 2020) | ~3.8 × 10⁸ | 2020 | оценка | |
| 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | архитектура не указана |
| 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | плотная |
| 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | архитектура не указана |
| 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | плотная |
| 383 | VALL-E (Microsoft, 2023) | ~3.5 × 10⁸ | 2023 | оценка | |
| 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | плотная |
| 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | плотная |
| 386 | ERNIE-GEN (Baidu, 2020) | ~3.4 × 10⁸ | 2020 | оценка | |
| 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | плотная |
| 388 | ELECTRA (Stanford University, 2020) | ~3.4 × 10⁸ | 2020 | оценка | |
| 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | плотная |
| 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | ~3.4 × 10⁸ | 2022 | оценка | |
| 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | плотная |
| 392 | Fusion in Encoder (Samsung, 2022) | ~3.3 × 10⁸ | 2022 | оценка | |
| 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | плотная |
| 394 | CPC v2 (DeepMind, 2019) | ~3 × 10⁸ | 2019 | оценка | |
| 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | плотная |
| 396 | DDPM-IP (Utrecht University, 2023) | ~3 × 10⁸ | 2023 | оценка | |
| 397 | GNMT (Google, 2016) | ~2.8 × 10⁸ | 2016 | оценка | |
| 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | архитектура не указана |
| 399 | YOLO (University of Washington, 2015) | ~2.7 × 10⁸ | 2015 | оценка | |
| 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | ~2.6 × 10⁸ | 2019 | оценка | |
| 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | плотная |
| 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | ~2.6 × 10⁸ | 2019 | оценка | |
| 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | архитектура не указана |
| 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | архитектура не указана |
| 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | архитектура не указана |
| 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | плотная |
| 407 | S4 (Stanford University, 2021) | ~2.5 × 10⁸ | 2021 | оценка | |
| 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | ~2.5 × 10⁸ | 2019 | оценка | |
| 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | плотная |
| 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | ~2.5 × 10⁸ | 2021 | оценка | |
| 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | плотная |
| 412 | TaLK Convolution (Carleton University, 2020) | ~2.4 × 10⁸ | 2020 | оценка | |
| 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | ~2.4 × 10⁸ | 2020 | оценка | |
| 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | архитектура не указана |
| 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | архитектура не указана |
| 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | архитектура не указана |
| 417 | MetNet (Google, 2020) | ~2.3 × 10⁸ | 2020 | оценка | |
| 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | плотная |
| 419 | CodeT5-base (Salesforce, 2021) | ~2.2 × 10⁸ | 2021 | оценка | |
| 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | плотная |
| 421 | Sandwich Transformer (Allen Institute for AI, 2019) | ~2.1 × 10⁸ | 2019 | оценка | |
| 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | архитектура не указана |
| 423 | Word2Vec (Google, 2013) | ~2.1 × 10⁸ | 2013 | оценка | |
| 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | плотная |
| 425 | DreamerV3 (DeepMind, 2023) | ~2 × 10⁸ | 2023 | оценка | |
| 426 | DL scaling speech (Baidu, 2017) | ~1.9 × 10⁸ | 2017 | оценка | |
| 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | ~1.9 × 10⁸ | 2019 | оценка | |
| 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | плотная |
| 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | плотная |
| 430 | DL scaling LM (Baidu, 2017) | ~1.8 × 10⁸ | 2017 | оценка | |
| 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | архитектура не указана |
| 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | плотная |
| 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | плотная |
| 434 | 4 layer QRNN (Salesforce Research, 2018) | ~1.5 × 10⁸ | 2018 | оценка | |
| 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | ~1.5 × 10⁸ | 2020 | оценка | |
| 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | архитектура не указана |
| 437 | PermuteFormer (Peking University, 2021) | ~1.5 × 10⁸ | 2021 | оценка | |
| 438 | Fragment embedding (Stanford University, 2014) | ~1.4 × 10⁸ | 2014 | оценка | |
| 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | плотная |
| 440 | VGG19 (University of Oxford, 2014) | ~1.4 × 10⁸ | 2014 | оценка | |
| 441 | LRCN (UT Austin, 2014) | ~1.4 × 10⁸ | 2014 | оценка | |
| 442 | Transformer-XL DeFINE (University of Washington, 2019) | ~1.4 × 10⁸ | 2019 | оценка | |
| 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | плотная |
| 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | плотная |
| 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | плотная |
| 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | плотная |
| 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | ~1.4 × 10⁸ | 2015 | оценка | |
| 448 | Template Adaptation (University of Oxford, 2016) | ~1.4 × 10⁸ | 2016 | оценка | |
| 449 | LRR-4X (UC Irvine, 2016) | ~1.4 × 10⁸ | 2016 | оценка | |
| 450 | CMS-RCNN (IEEE, 2016) | ~1.4 × 10⁸ | 2016 | оценка | |
| 451 | QRNN (Salesforce Research, 2018) | ~1.4 × 10⁸ | 2018 | оценка | |
| 452 | Multiresolution CNN (Google, 2014) | ~1.3 × 10⁸ | 2014 | оценка | |
| 453 | FTW (DeepMind, 2018) | ~1.3 × 10⁸ | 2018 | оценка | |
| 454 | Feedback Transformer (LORIA, 2020) | ~1.3 × 10⁸ | 2020 | оценка | |
| 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | плотная |
| 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | плотная |
| 457 | GloVe (Stanford University, 2014) | ~1.2 × 10⁸ | 2014 | оценка | |
| 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | плотная |
| 459 | GPT-1 (OpenAI, 2018) | ~1.2 × 10⁸ | 2018 | оценка | |
| 460 | ContextNet (Google, 2020) | ~1.1 × 10⁸ | 2020 | оценка | |
| 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | плотная |
| 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | архитектура не указана |
| 463 | Contriever (Meta AI, 2021) | ~1.1 × 10⁸ | 2021 | оценка | |
| 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | плотная |
| 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | архитектура не указана |
| 466 | LSTM LM (RWTH Aachen University, 2012) | ~1 × 10⁸ | 2012 | оценка | |
| 467 | ReLU-Speech (Google, 2013) | ~1 × 10⁸ | 2013 | оценка | |
| 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | архитектура не указана |
| 469 | Support Vector Machines (AT&T, 1995) | ~1 × 10⁸ | 1995 | оценка | |
| 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | плотная |
| 471 | MSA Transformer (Facebook AI Research, 2021) | ~1 × 10⁸ | 2021 | оценка | |
| 472 | YOLOX-X (Megvii Inc, 2021) | ~9.9 × 10⁷ | 2021 | оценка | |
| 473 | DeLighT (University of Washington, 2020) | ~9.9 × 10⁷ | 2020 | оценка | |
| 474 | ELMo (University of Washington, 2018) | ~9.4 × 10⁷ | 2018 | оценка | |
| 475 | AlphaFold 2 (DeepMind, 2020) | ~9.3 × 10⁷ | 2020 | оценка | |
| 476 | AlphaMissense (Google DeepMind, 2023) | ~9.3 × 10⁷ | 2023 | оценка | |
| 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | архитектура не указана |
| 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | ~9.2 × 10⁷ | 2016 | оценка | |
| 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | архитектура не указана |
| 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | плотная |
| 481 | NASNet-A (Google Brain, 2017) | ~8.9 × 10⁷ | 2017 | оценка | |
| 482 | CLIP (OpenAI, 2021) | ~8.9 × 10⁷ | 2021 | оценка | |
| 483 | Detic (Meta AI, 2022) | ~8.8 × 10⁷ | 2022 | оценка | |
| 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | плотная |
| 485 | BigBiGAN (Google, 2019) | ~8.6 × 10⁷ | 2019 | оценка | |
| 486 | ViT-Base/32 (Google Brain, 2020) | ~8.6 × 10⁷ | 2020 | оценка | |
| 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | архитектура не указана |
| 488 | CaLM (University of Oxford, 2022) | ~8.6 × 10⁷ | 2022 | оценка | |
| 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | плотная |
| 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | плотная |
| 491 | RBM Image Classifier (University of Toronto, 2009) | ~8 × 10⁷ | 2009 | оценка | |
| 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | плотная |
| 493 | Big-Little Net (IBM, 2018) | ~7.7 × 10⁷ | 2018 | оценка | |
| 494 | EfficientDet (Google Brain, 2020) | ~7.7 × 10⁷ | 2020 | оценка | |
| 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | архитектура не указана |
| 496 | RNN LM (Johns Hopkins University, 2010) | ~7 × 10⁷ | 2010 | оценка | |
| 497 | R-CNN (University of California (UC) Berkeley, 2013) | ~6.9 × 10⁷ | 2013 | оценка | |
| 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | плотная |
| 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | плотная |
| 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | плотная |
| 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | плотная |
| 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | плотная |
| 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | плотная |
| 504 | YOLOv3 (University of Washington, 2018) | ~5.7 × 10⁷ | 2018 | оценка | |
| 505 | Inception-ResNet-V2 (Google, 2016) | ~5.6 × 10⁷ | 2016 | оценка | |
| 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | плотная |
| 507 | Мозг плодовой мушки | 5.5 × 10⁷ | 5.5 × 10⁷ | синапсов | |
| 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | плотная |
| 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | плотная |
| 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | плотная |
| 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | плотная |
| 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | плотная |
| 513 | YOLOv2 (University of Washington, 2016) | ~5.1 × 10⁷ | 2016 | оценка | |
| 514 | Dropout-LSTM+Noise (Columbia University, 2018) | ~5.1 × 10⁷ | 2018 | оценка | |
| 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | ~5 × 10⁷ | 2017 | оценка | |
| 516 | Dropout (University of Toronto, 2012) | ~4.9 × 10⁷ | 2012 | оценка | |
| 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | плотная |
| 518 | DistBelief Speech (Google, 2012) | ~4.7 × 10⁷ | 2012 | оценка | |
| 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | плотная |
| 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | плотная |
| 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | плотная |
| 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | плотная |
| 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | плотная |
| 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | плотная |
| 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | плотная |
| 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | плотная |
| 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | плотная |
| 528 | PreTrans-3L-250H (University of Toronto, 2013) | ~4.3 × 10⁷ | 2013 | оценка | |
| 529 | Inceptionv4 (Google, 2016) | ~4.3 × 10⁷ | 2016 | оценка | |
| 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | плотная |
| 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | плотная |
| 532 | NASv3 (Google Brain, 2016) | ~3.7 × 10⁷ | 2016 | оценка | |
| 533 | MuZero (DeepMind, 2019) | ~3.7 × 10⁷ | 2019 | оценка | |
| 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | ~3.5 × 10⁷ | 2017 | оценка | |
| 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | плотная |
| 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | плотная |
| 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | плотная |
| 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | плотная |
| 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | архитектура не указана |
| 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | архитектура не указана |
| 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | плотная |
| 542 | RetinaNet-R50 (Facebook AI Research, 2017) | ~3.4 × 10⁷ | 2017 | оценка | |
| 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | ~3.4 × 10⁷ | 2017 | оценка | |
| 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | ~3.4 × 10⁷ | 2019 | оценка | |
| 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | плотная |
| 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | плотная |
| 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~3.2 × 10⁷ | 2019 | оценка | |
| 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | плотная |
| 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | плотная |
| 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | плотная |
| 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | ~2.8 × 10⁷ | 2019 | оценка | |
| 552 | SENet (Chinese Academy of Sciences, 2017) | ~2.8 × 10⁷ | 2017 | оценка | |
| 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | плотная |
| 554 | Fractional Max-Pooling (University of Warwick, 2014) | ~2.7 × 10⁷ | 2014 | оценка | |
| 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | архитектура не указана |
| 556 | RNN-WER (DeepMind, 2014) | ~2.6 × 10⁷ | 2014 | оценка | |
| 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | плотная |
| 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | ~2.6 × 10⁷ | 2017 | оценка | |
| 559 | ResNeXt-50 (University of California San Diego, 2016) | ~2.5 × 10⁷ | 2016 | оценка | |
| 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | плотная |
| 561 | Inception v3 (Google, 2015) | ~2.4 × 10⁷ | 2015 | оценка | |
| 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | архитектура не указана |
| 563 | WeNet (Amazon, 2019) | ~2.3 × 10⁷ | 2019 | оценка | |
| 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | ~2.3 × 10⁷ | 2019 | оценка | |
| 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | плотная |
| 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | плотная |
| 567 | MetaMimic (Google, 2018) | ~2.2 × 10⁷ | 2018 | оценка | |
| 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~2.1 × 10⁷ | 2019 | оценка | |
| 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | плотная |
| 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | ~2 × 10⁷ | 2022 | оценка | |
| 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | плотная |
| 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | плотная |
| 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | плотная |
| 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | плотная |
| 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | плотная |
| 576 | MedBERT (Peng Cheng Laboratory, 2021) | ~1.7 × 10⁷ | 2021 | оценка | |
| 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | плотная |
| 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | плотная |
| 579 | AlphaFold (DeepMind, 2020) | ~1.6 × 10⁷ | 2020 | оценка | |
| 580 | GNoME for crystal discovery (Google DeepMind, 2023) | ~1.6 × 10⁷ | 2023 | оценка | |
| 581 | ReLU (University of Toronto, 2010) | ~1.6 × 10⁷ | 2010 | оценка | |
| 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | архитектура не указана |
| 583 | Eve (Harvard Medical School, 2021) | ~1.5 × 10⁷ | 2021 | оценка | |
| 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | плотная |
| 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | плотная |
| 586 | Fold2Seq (IBM, 2021) | ~1.2 × 10⁷ | 2021 | оценка | |
| 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | плотная |
| 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | плотная |
| 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | плотная |
| 590 | ResNet-1001 (Microsoft, 2016) | ~1 × 10⁷ | 2016 | оценка | |
| 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | ~9 × 10⁶ | 2012 | оценка | |
| 592 | Gated HORNN (York University, 2016) | ~9 × 10⁶ | 2016 | оценка | |
| 593 | AlphaGo Fan (DeepMind, 2015) | ~8.2 × 10⁶ | 2015 | оценка | |
| 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | ~8 × 10⁶ | 2015 | оценка | |
| 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | плотная |
| 596 | Multi-cell LSTM (University of Hyderabad, 2018) | ~7.2 × 10⁶ | 2018 | оценка | |
| 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | плотная |
| 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | плотная |
| 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | плотная |
| 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | плотная |
| 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | архитектура не указана |
| 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | плотная |
| 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | плотная |
| 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | плотная |
| 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | плотная |
| 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | плотная |
| 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | плотная |
| 608 | NLP from scratch (NEC Laboratories, 2011) | ~5 × 10⁶ | 2011 | оценка | |
| 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | ~5 × 10⁶ | 2014 | оценка | |
| 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | архитектура не указана |
| 611 | High Performance CNN (IDSIA, 2011) | ~4.9 × 10⁶ | 2011 | оценка | |
| 612 | MobileNet (Google, 2017) | ~4.2 × 10⁶ | 2017 | оценка | |
| 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | плотная |
| 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | плотная |
| 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | плотная |
| 616 | Dimensionality Reduction (University of Toronto, 2006) | ~3.8 × 10⁶ | 2006 | оценка | |
| 617 | GOAT (DeepMind, 2021) | ~3.5 × 10⁶ | 2021 | оценка | |
| 618 | MobileNetV2 (Google, 2018) | ~3.4 × 10⁶ | 2018 | оценка | |
| 619 | Big-Little Net (IBM, 2018) | ~3.3 × 10⁶ | 2018 | оценка | |
| 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | архитектура не указана |
| 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | плотная |
| 622 | DeepStack (University of Alberta, 2017) | ~2.5 × 10⁶ | 2017 | оценка | |
| 623 | KataGo (Jane Street, 2019) | ~2.5 × 10⁶ | 2019 | оценка | |
| 624 | ShuffleNet v1 (Megvii Inc, 2017) | ~2.4 × 10⁶ | 2017 | оценка | |
| 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | плотная |
| 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | архитектура не указана |
| 627 | LSTM+NeuralCache (KU Leuven, 2018) | ~2.1 × 10⁶ | 2018 | оценка | |
| 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | плотная |
| 629 | ResNet-110 (Microsoft, 2015) | ~1.7 × 10⁶ | 2015 | оценка | |
| 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | плотная |
| 631 | DQN-2015 (Google, 2015) | ~1.7 × 10⁶ | 2015 | оценка | |
| 632 | Rational DQN Average (TU Darmstadt, 2021) | ~1.7 × 10⁶ | 2021 | оценка | |
| 633 | IBM-5 (IBM, 1993) | ~1.7 × 10⁶ | 1993 | оценка | |
| 634 | Deep Belief Nets (University of Toronto, 2006) | ~1.6 × 10⁶ | 2006 | оценка | |
| 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | плотная |
| 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | архитектура не указана |
| 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | ~1.5 × 10⁶ | 2008 | оценка | |
| 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | плотная |
| 639 | CNN committee (IDSIA, 2011) | ~1.4 × 10⁶ | 2011 | оценка | |
| 640 | SqueezeNet (DeepScale, 2016) | ~1.2 × 10⁶ | 2016 | оценка | |
| 641 | Неокогнитрон (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | плотная |
| 642 | CURL (University of California (UC) Berkeley, 2020) | ~9.1 × 10⁵ | 2020 | оценка | |
| 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | плотная |
| 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | плотная |
| 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | плотная |
| 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | плотная |
| 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | ~7.1 × 10⁵ | 2014 | оценка | |
| 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | архитектура не указана |
| 649 | LISSOM (University of Texas at Austin, 1995) | ~4.3 × 10⁵ | 1995 | оценка | |
| 650 | SPIDER2 (Griffith University, 2016) | ~4.1 × 10⁵ | 2016 | оценка | |
| 651 | Mixture of linear models (, 1994) | ~3.8 × 10⁵ | 1994 | оценка | |
| 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | плотная |
| 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | плотная |
| 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | плотная |
| 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | плотная |
| 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | плотная |
| 657 | HyperNEAT (University of Texas at Austin, 2014) | ~2.4 × 10⁵ | 2014 | оценка | |
| 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | плотная |
| 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | плотная |
| 660 | Table Tennis Agent (Google DeepMind, 2024) | ~1.9 × 10⁵ | 2024 | оценка | |
| 661 | CNN Committee (IDSIA, 2011) | ~1.3 × 10⁵ | 2011 | оценка | |
| 662 | CNN Committee (IDSIA, 2011) | ~1.2 × 10⁵ | 2011 | оценка | |
| 663 | RECONTRA-uncategorized (, 1999) | ~1.1 × 10⁵ | 1999 | оценка | |
| 664 | BLSTM for handwriting (University of Bern, 2007) | ~1 × 10⁵ | 2007 | оценка | |
| 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | плотная |
| 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | плотная |
| 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | плотная |
| 668 | NeuroChess (, 1994) | ~7.2 × 10⁴ | 1994 | оценка | |
| 669 | RECONTRA-categorized (, 1999) | ~6.7 × 10⁴ | 1999 | оценка | |
| 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | плотная |
| 671 | Swift (Intel Labs, 2023) | ~5.7 × 10⁴ | 2023 | оценка | |
| 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | плотная |
| 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | плотная |
| 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | плотная |
| 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | плотная |
| 676 | TD-Gammon (IBM, 1992) | ~2.5 × 10⁴ | 1992 | оценка | |
| 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | плотная |
| 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | плотная |
| 679 | CFSS (SenseTime, 2015) | ~1.7 × 10⁴ | 2015 | оценка | |
| 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | плотная |
| 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | плотная |
| 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | ~1.3 × 10⁴ | 1997 | оценка | |
| 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | ~1.2 × 10⁴ | 2001 | оценка | |
| 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | плотная |
| 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | плотная |
| 686 | Hopfield network (California Institute of Technology, 1982) | ~9.9 × 10³ | 1982 | оценка | |
| 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | плотная |
| 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | ~9.3 × 10³ | 1984 | оценка | |
| 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | плотная |
| 690 | Deep Blue (IBM, 1997) | ~8 × 10³ | 1997 | оценка | |
| 691 | Нематода (C. elegans) | 7 × 10³ | 7 × 10³ | синапсов | |
| 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | плотная |
| 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | плотная |
| 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | плотная |
| 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | плотная |
| 696 | JPMAX (, 1994) | ~4.4 × 10³ | 1994 | оценка | |
| 697 | Kohonen network (Helsinki University of Technology, 1981) | ~4.1 × 10³ | 1981 | оценка | |
| 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | плотная |
| 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | ~2.6 × 10³ | 1959 | оценка | |
| 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | плотная |
| 701 | Boosting (Bell Laboratories, 1992) | ~2.6 × 10³ | 1992 | оценка | |
| 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | плотная |
| 703 | LTE speaker verification system (IBM, 1966) | ~2.1 × 10³ | 1966 | оценка | |
| 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | ~1.9 × 10³ | 1994 | оценка | |
| 705 | SexNet classification (, 1990) | ~1.6 × 10³ | 1990 | оценка | |
| 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | плотная |
| 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | ~1 × 10³ | 2010 | оценка | |
| 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | ~1 × 10³ | 1957 | оценка | |
| 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | ~1 × 10³ | 1960 | оценка | |
| 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | смесь экспертов (число активных параметров не опубликовано) |
| 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | плотная |
| 712 | Siamese-TDNN (Bell Laboratories, 1993) | ~7.4 × 10² | 1993 | оценка | |
| 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | плотная |
| 714 | Предсказание механизма действия противораковых препаратов (National Cancer Institute, 1992) | ~5.9 × 10² | 1992 | оценка | |
| 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | плотная |
| 716 | Кусочно-линейная модель (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | плотная |
| 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | ~3.2 × 10² | 1983 | оценка | |
| 718 | LSTM with forget gates (IDSIA, 1999) | ~2.8 × 10² | 1999 | оценка | |
| 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | ~2.3 × 10² | 1955 | оценка | |
| 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | плотная |
| 721 | SNARC (Harvard University, 1952) | ~4 × 10¹ | 1952 | оценка | |
| 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | плотная |
| 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | плотная |
| 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | плотная |
| 725 | Samuel Neural Checkers (IBM, 1959) | ~1.6 × 10¹ | 1959 | оценка |
Коллективы
Эти диаграммы ранжируют общества животных, религии, государства, партии и корпорации двумя способами. Один — по числу членов. Другой — по нейронным эквивалентам, которые взвешивают каждого члена по доле его бодрствования, которой распоряжаются инструкции группы. Религиозные кодексы, законы, партийные правила и должностные инструкции считаются одинаково. Все они — наборы инструкций, поэтому мы измеряем их по одному правилу. Как оценивается направленное время.
- Сообщество шимпанзе▲17.4 × 10¹¹
- Колония муравьёв-листорезов▼16.3 × 10¹¹
- Сообщество бонобо▲24.4 × 10¹¹
- Лагерь хадза (люди, для масштаба)4.1 × 10¹¹
- Группа косаток Биггса▼22.6 × 10¹¹
- Матрилиния резидентных косаток2.4 × 10¹¹
- Стадо бабуинов8.6 × 10¹⁰
- Союз афалин▲17.6 × 10¹⁰
- Социальная группа кашалотов▲16.4 × 10¹⁰
- Колония медоносных пчёл▼25.8 × 10¹⁰
- Семья слонов5.6 × 10¹⁰
- Стая пинонских соек5.3 × 10¹⁰
- Клан пятнистых гиен2.2 × 10¹⁰
- Стая гиеновидных собак7.2 × 10⁹
- Волчья стая4.2 × 10⁹
- Группа сурикатов1.7 × 10⁹
- Колония голых землекопов4.1 × 10⁸
Показать числа
| # | Группа | Нейроны в группе | В групповой деятельности | Члены | Направляемая доля | Виды сигналов |
|---|---|---|---|---|---|---|
| 1 | Сообщество шимпанзе | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — |
| 2 | Колония муравьёв-листорезов | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 миллиона | 80% | — |
| 3 | Сообщество бонобо | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — |
| 4 | Лагерь хадза (люди, для масштаба) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — |
| 5 | Группа косаток Биггса | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — |
| 6 | Матрилиния резидентных косаток | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 |
| 7 | Стадо бабуинов | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 |
| 8 | Союз афалин | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — |
| 9 | Социальная группа кашалотов | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — |
| 10 | Колония медоносных пчёл | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — |
| 11 | Семья слонов | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — |
| 12 | Стая пинонских соек | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — |
| 13 | Клан пятнистых гиен | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 |
| 14 | Стая гиеновидных собак | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 |
| 15 | Волчья стая | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — |
| 16 | Группа сурикатов | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 |
| 17 | Колония голых землекопов | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — |
- Христианство▲12,27 миллиарда
- Ислам▼12,02 миллиарда
- Индуизм1,18 миллиарда
- Народные религии400 миллионов
- Буддизм324,19 миллиона
- Традиционные африканские религии▲198,73 миллиона
- Синтоизм▲187,92 миллиона
- Сикхизм▲125 миллионов
- Иудаизм▼314,78 миллиона
- Даосизм▲18 миллионов
- Бахаи▲18 миллионов
- Фалуньгун▲17 миллионов
- Джайнизм▼34,45 миллиона
- Спиритизм3,8 миллиона
- Каодай2,5 миллиона
- Тэнрикё1,12 миллиона
- Брахма-Кумарис1 миллион
Показать числа
| # | Религия | Члены | Следуя его инструкциям | Направляемая доля | Часов в неделю |
|---|---|---|---|---|---|
| 1 | Христианство | 2,27 миллиарда | 1.7 × 10¹⁸ | 0.88% | 0.9 h |
| 2 | Ислам | 2,02 миллиарда | 8.9 × 10¹⁸ | 5.1% | 5.4 h |
| 3 | Индуизм | 1,18 миллиарда | 1.6 × 10¹⁸ | 1.6% | 1.6 h |
| 4 | Народные религии | 400 миллионов | 2 × 10¹⁷ | 0.59% (прокси) | 0.6 h |
| 5 | Буддизм | 324,19 миллиона | 7.5 × 10¹⁶ | 0.27% | 0.3 h |
| 6 | Традиционные африканские религии | 98,73 миллиона | 5 × 10¹⁶ | 0.59% (прокси) | 0.6 h |
| 7 | Синтоизм | 87,92 миллиона | 4.5 × 10¹⁶ | 0.59% (прокси) | 0.6 h |
| 8 | Сикхизм | 25 миллионов | 3.7 × 10¹⁶ | 1.7% | 1.8 h |
| 9 | Иудаизм | 14,78 миллиона | 5.3 × 10¹⁶ | 4.2% | 4.4 h |
| 10 | Даосизм | 8 миллионов | 4.1 × 10¹⁵ | 0.59% (прокси) | 0.6 h |
| 11 | Бахаи | 8 миллионов | 4.1 × 10¹⁵ | 0.59% (прокси) | 0.6 h |
| 12 | Фалуньгун | 7 миллионов | 3.6 × 10¹⁵ | 0.59% (прокси) | 0.6 h |
| 13 | Джайнизм | 4,45 миллиона | 1.8 × 10¹⁶ | 4.6% | 4.8 h |
| 14 | Спиритизм | 3,8 миллиона | 1.9 × 10¹⁵ | 0.59% (прокси) | 0.6 h |
| 15 | Каодай | 2,5 миллиона | 1.3 × 10¹⁵ | 0.59% (прокси) | 0.6 h |
| 16 | Тэнрикё | 1,12 миллиона | 5.7 × 10¹⁴ | 0.59% (прокси) | 0.6 h |
| 17 | Брахма-Кумарис | 1 миллион | 5.1 × 10¹⁴ | 0.59% (прокси) | 0.6 h |
- Индия▲11,46 миллиарда
- Китай▼11,41 миллиарда
- Соединённые Штаты341,78 миллиона
- Индонезия285,72 миллиона
- Пакистан▲5255,22 миллиона
- Нигерия▲1237,53 миллиона
- Бразилия▼2212,81 миллиона
- Бангладеш▲5175,69 миллиона
- Россия▼3143,51 миллиона
- Эфиопия▲7135,47 миллиона
- Мексика▼2131,95 миллиона
- Япония▲11123,37 миллиона
- Египет▼2118,37 миллиона
- Филиппины116,79 миллиона
- ДР Конго▼3112,83 миллиона
Показать числа
| # | Государство | Жители | Следуя его инструкциям | Направляемая доля | Часов в неделю |
|---|---|---|---|---|---|
| 1 | Индия | 1,46 миллиарда | 2.5 × 10¹⁸ | 2% | 2.1 h |
| 2 | Китай | 1,41 миллиарда | 5 × 10¹⁸ | 4.1% | 4.3 h |
| 3 | Соединённые Штаты | 341,78 миллиона | 1.6 × 10¹⁸ | 5.6% | 5.8 h |
| 4 | Индонезия | 285,72 миллиона | 1 × 10¹⁸ | 4.2% | 4.4 h |
| 5 | Пакистан | 255,22 миллиона | 5.7 × 10¹⁷ | 2.6% | 2.7 h |
| 6 | Нигерия | 237,53 миллиона | 6.6 × 10¹⁷ | 3.2% | 3.4 h |
| 7 | Бразилия | 212,81 миллиона | 8.7 × 10¹⁷ | 4.8% | 5 h |
| 8 | Бангладеш | 175,69 миллиона | 4.6 × 10¹⁷ | 3% | 3.1 h |
| 9 | Россия | 143,51 миллиона | 7.5 × 10¹⁷ | 6.1% | 6.4 h |
| 10 | Эфиопия | 135,47 миллиона | 3.9 × 10¹⁷ | 3.4% | 3.5 h |
| 11 | Мексика | 131,95 миллиона | 5.9 × 10¹⁷ | 5.2% | 5.5 h |
| 12 | Япония | 123,37 миллиона | 2.8 × 10¹⁷ | 2.7% | 2.8 h |
| 13 | Египет | 118,37 миллиона | 5.5 × 10¹⁷ | 5.4% | 5.7 h |
| 14 | Филиппины | 116,79 миллиона | 4.4 × 10¹⁷ | 4.4% | 4.6 h |
| 15 | ДР Конго | 112,83 миллиона | 4.7 × 10¹⁷ | 4.8% | 5.1 h |
| 16 | Вьетнам | 101,6 миллиона | 4.2 × 10¹⁷ | 4.8% | 5 h |
| 17 | Иран | 92,42 миллиона | 3.5 × 10¹⁷ | 4.3% | 4.6 h |
| 18 | Турция | 85,88 миллиона | 4.3 × 10¹⁷ | 5.8% | 6 h |
| 19 | Германия | 83,49 миллиона | 2.9 × 10¹⁷ | 4% | 4.2 h |
| 20 | Таиланд | 71,62 миллиона | 2.4 × 10¹⁷ | 3.9% | 4.1 h |
| 21 | Танзания | 70,55 миллиона | 2.2 × 10¹⁷ | 3.6% | 3.8 h |
| 22 | Великобритания | 69,49 миллиона | 2.8 × 10¹⁷ | 4.6% | 4.8 h |
| 23 | Франция | 68,72 миллиона | 3.1 × 10¹⁷ | 5.3% | 5.5 h |
| 24 | Южная Африка | 64,75 миллиона | 2.9 × 10¹⁷ | 5.1% | 5.4 h |
| 25 | Италия | 58,92 миллиона | 2.1 × 10¹⁷ | 4.2% | 4.4 h |
| 26 | Кения | 57,53 миллиона | 2.3 × 10¹⁷ | 4.7% | 5 h |
| 27 | Мьянма | 54,85 миллиона | 1.9 × 10¹⁷ | 4% | 4.2 h |
| 28 | Колумбия | 53,43 миллиона | 1.7 × 10¹⁷ | 3.7% | 3.9 h |
| 29 | Южная Корея | 51,68 миллиона | 1.4 × 10¹⁷ | 3% | 3.2 h |
| 30 | Судан | 51,66 миллиона | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 31 | Уганда | 51,38 миллиона | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 32 | Испания | 49,36 миллиона | 1.8 × 10¹⁷ | 4.2% | 4.3 h |
| 33 | Алжир | 47,44 миллиона | 3.2 × 10¹⁷ | 7.9% | 8.3 h |
| 34 | Ирак | 47,02 миллиона | 1.1 × 10¹⁷ | 2.8% | 2.9 h |
| 35 | Аргентина | 45,85 миллиона | 1.7 × 10¹⁷ | 4.4% | 4.6 h |
| 36 | Афганистан | 43,84 миллиона | 1.8 × 10¹⁷ | 4.8% | 5 h |
| 37 | Йемен | 41,77 миллиона | 1.3 × 10¹⁷ | 3.7% | 3.9 h |
| 38 | Канада | 41,65 миллиона | 2 × 10¹⁷ | 5.5% | 5.8 h |
| 39 | Ангола | 39,04 миллиона | 1.4 × 10¹⁷ | 4.2% | 4.4 h |
| 40 | Украина | 38,98 миллиона | 2.1 × 10¹⁷ | 6.2% | 6.5 h |
| 41 | Марокко | 38,43 миллиона | 1.5 × 10¹⁷ | 4.5% | 4.7 h |
| 42 | Узбекистан | 37,05 миллиона | 2 × 10¹⁷ | 6.3% | 6.6 h |
| 43 | Саудовская Аравия | 36,97 миллиона | 1.4 × 10¹⁷ | 4.3% | 4.6 h |
| 44 | Польша | 36,44 миллиона | 2.1 × 10¹⁷ | 6.7% | 7 h |
| 45 | Малайзия | 35,98 миллиона | 1.8 × 10¹⁷ | 5.8% | 6.1 h |
| 46 | Мозамбик | 35,63 миллиона | 1.5 × 10¹⁷ | 4.8% | 5.1 h |
| 47 | Гана | 35,06 миллиона | 1.2 × 10¹⁷ | 3.9% | 4.1 h |
| 48 | Перу | 34,58 миллиона | 1.4 × 10¹⁷ | 4.8% | 5 h |
| 49 | Мадагаскар | 32,74 миллиона | 9.4 × 10¹⁶ | 3.3% | 3.5 h |
| 50 | Кот-д’Ивуар | 32,71 миллиона | 9.5 × 10¹⁶ | 3.4% | 3.5 h |
| 51 | Камерун | 29,88 миллиона | 9.8 × 10¹⁶ | 3.8% | 4 h |
| 52 | Непал | 29,62 миллиона | 1.1 × 10¹⁷ | 4.2% | 4.4 h |
| 53 | Венесуэла | 28,52 миллиона | 1.5 × 10¹⁷ | 6.1% | 6.4 h |
| 54 | Нигер | 27,92 миллиона | 6.4 × 10¹⁶ | 2.6% | 2.8 h |
| 55 | Австралия | 27,61 миллиона | 1.1 × 10¹⁷ | 4.7% | 5 h |
| 56 | Северная Корея | 26,57 миллиона | 6.6 × 10¹⁷ | 29% | 30.1 h |
| 57 | Сирия | 25,62 миллиона | 9.8 × 10¹⁶ | 4.4% | 4.6 h |
| 58 | Мали | 25,2 миллиона | 4.9 × 10¹⁶ | 2.3% | 2.4 h |
| 59 | Буркина-Фасо | 24,07 миллиона | 5.7 × 10¹⁶ | 2.8% | 2.9 h |
| 60 | Тайвань | 23,31 миллиона | 1 × 10¹⁷ | 5% | 5.3 h |
| 61 | Малави | 22,22 миллиона | 1 × 10¹⁷ | 5.4% | 5.6 h |
| 62 | Замбия | 21,91 миллиона | 10 × 10¹⁶ | 5.3% | 5.5 h |
| 63 | Шри-Ланка | 21,76 миллиона | 1.1 × 10¹⁷ | 6% | 6.3 h |
| 64 | Чад | 21 миллион | 4.9 × 10¹⁶ | 2.7% | 2.9 h |
| 65 | Казахстан | 20,84 миллиона | 1.4 × 10¹⁷ | 7.6% | 7.9 h |
| 66 | Чили | 19,86 миллиона | 6.2 × 10¹⁶ | 3.6% | 3.8 h |
| 67 | Сомали | 19,65 миллиона | 1.5 × 10¹⁶ | 0.88% | 0.9 h |
| 68 | Румыния | 19,02 миллиона | 7.5 × 10¹⁶ | 4.6% | 4.8 h |
| 69 | Сенегал | 18,93 миллиона | 5.9 × 10¹⁶ | 3.6% | 3.8 h |
| 70 | Гватемала | 18,69 миллиона | 6 × 10¹⁶ | 3.7% | 3.9 h |
| 71 | Эквадор | 18,29 миллиона | 6.6 × 10¹⁶ | 4.2% | 4.4 h |
| 72 | Нидерланды | 18,09 миллиона | 7.6 × 10¹⁶ | 4.9% | 5.1 h |
| 73 | Камбоджа | 17,85 миллиона | 7.4 × 10¹⁶ | 4.8% | 5.1 h |
| 74 | Зимбабве | 16,95 миллиона | 6.1 × 10¹⁶ | 4.2% | 4.4 h |
| 75 | Гвинея | 15,1 миллиона | 3.1 × 10¹⁶ | 2.4% | 2.5 h |
| 76 | Бенин | 14,81 миллиона | 4.4 × 10¹⁶ | 3.4% | 3.6 h |
| 77 | Руанда | 14,57 миллиона | 7 × 10¹⁶ | 5.6% | 5.8 h |
| 78 | Бурунди | 14,39 миллиона | 5.2 × 10¹⁶ | 4.2% | 4.4 h |
| 79 | Боливия | 12,58 миллиона | 5.8 × 10¹⁶ | 5.4% | 5.6 h |
| 80 | Тунис | 12,35 миллиона | 6.4 × 10¹⁶ | 6% | 6.3 h |
| 81 | Южный Судан | 12,19 миллиона | 4.4 × 10¹⁶ | 4.2% | 4.4 h |
| 82 | Бельгия | 11,94 миллиона | 4.5 × 10¹⁶ | 4.3% | 4.5 h |
| 83 | Гаити | 11,91 миллиона | 1.9 × 10¹⁶ | 1.8% | 1.9 h |
| 84 | Иордания | 11,52 миллиона | 4.9 × 10¹⁶ | 5% | 5.2 h |
| 85 | Доминиканская Республика | 11,52 миллиона | 4.9 × 10¹⁶ | 4.9% | 5.2 h |
| 86 | Объединённые Арабские Эмираты | 11,51 миллиона | 3.1 × 10¹⁶ | 3.1% | 3.2 h |
| 87 | Гондурас | 11,01 миллиона | 3.2 × 10¹⁶ | 3.3% | 3.5 h |
| 88 | Куба | 10,94 миллиона | 1.6 × 10¹⁷ | 17% | 17.4 h |
| 89 | Чехия | 10,89 миллиона | 5.8 × 10¹⁶ | 6.2% | 6.5 h |
| 90 | Португалия | 10,8 миллиона | 5.1 × 10¹⁶ | 5.5% | 5.7 h |
| 91 | Таджикистан | 10,79 миллиона | 5.3 × 10¹⁶ | 5.7% | 6 h |
| 92 | Папуа — Новая Гвинея | 10,76 миллиона | 4.3 × 10¹⁶ | 4.6% | 4.8 h |
| 93 | Швеция | 10,6 миллиона | 6.8 × 10¹⁶ | 7.5% | 7.8 h |
| 94 | Греция | 10,41 миллиона | 4.9 × 10¹⁶ | 5.4% | 5.7 h |
| 95 | Азербайджан | 10,25 миллиона | 6.2 × 10¹⁶ | 7% | 7.4 h |
| 96 | Израиль | 10,12 миллиона | 6.4 × 10¹⁶ | 7.3% | 7.7 h |
| 97 | Венгрия | 9,51 миллиона | 5.7 × 10¹⁶ | 6.9% | 7.3 h |
| 98 | Австрия | 9,21 миллиона | 2.5 × 10¹⁶ | 3.2% | 3.4 h |
| 99 | Швейцария | 9,09 миллиона | 3.9 × 10¹⁶ | 5% | 5.3 h |
| 100 | Беларусь | 9,09 миллиона | 7.9 × 10¹⁶ | 10% | 10.6 h |
| 101 | Сьерра-Леоне | 8,82 миллиона | 4.9 × 10¹⁶ | 6.5% | 6.8 h |
| 102 | Того | 8,59 миллиона | 3 × 10¹⁶ | 4% | 4.2 h |
| 103 | Лаос | 7,87 миллиона | 3.2 × 10¹⁶ | 4.8% | 5 h |
| 104 | Туркмения | 7,62 миллиона | 4.2 × 10¹⁶ | 6.5% | 6.8 h |
| 105 | Ливия | 7,46 миллиона | 3.9 × 10¹⁶ | 6.1% | 6.4 h |
| 106 | Киргизия | 7,34 миллиона | 4.1 × 10¹⁶ | 6.5% | 6.8 h |
| 107 | Парагвай | 7,01 миллиона | 2.9 × 10¹⁶ | 4.8% | 5.1 h |
| 108 | Никарагуа | 7,01 миллиона | 2.8 × 10¹⁶ | 4.6% | 4.8 h |
| 109 | Сербия | 6,55 миллиона | 4.1 × 10¹⁶ | 7.2% | 7.5 h |
| 110 | Республика Конго | 6,48 миллиона | 1.7 × 10¹⁶ | 3% | 3.1 h |
| 111 | Болгария | 6,43 миллиона | 3.3 × 10¹⁶ | 5.9% | 6.2 h |
| 112 | Сальвадор | 6,37 миллиона | 3.2 × 10¹⁶ | 5.8% | 6.1 h |
| 113 | Сингапур | 6,11 миллиона | 1.9 × 10¹⁶ | 3.6% | 3.7 h |
| 114 | Дания | 6,01 миллиона | 3.9 × 10¹⁶ | 7.6% | 8 h |
| 115 | Ливан | 5,85 миллиона | 1.5 × 10¹⁶ | 3% | 3.1 h |
| 116 | Либерия | 5,73 миллиона | 1.5 × 10¹⁶ | 3.1% | 3.3 h |
| 117 | Финляндия | 5,65 миллиона | 3.2 × 10¹⁶ | 6.6% | 6.9 h |
| 118 | Норвегия | 5,61 миллиона | 3.7 × 10¹⁶ | 7.6% | 8 h |
| 119 | Центральноафриканская Республика | 5,51 миллиона | 1.7 × 10¹⁶ | 3.5% | 3.7 h |
| 120 | Оман | 5,49 миллиона | 2.9 × 10¹⁶ | 6.2% | 6.5 h |
| 121 | Ирландия | 5,48 миллиона | 3.4 × 10¹⁶ | 7.2% | 7.6 h |
| 122 | Словакия | 5,41 миллиона | 3.1 × 10¹⁶ | 6.7% | 7 h |
| 123 | Палестина | 5,41 миллиона | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 124 | Новая Зеландия | 5,32 миллиона | 2.7 × 10¹⁶ | 5.9% | 6.2 h |
| 125 | Мавритания | 5,32 миллиона | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 126 | Коста-Рика | 5,15 миллиона | 2.6 × 10¹⁶ | 5.9% | 6.2 h |
| 127 | Кувейт | 4,87 миллиона | 2.7 × 10¹⁶ | 6.5% | 6.8 h |
| 128 | Панама | 4,57 миллиона | 2.3 × 10¹⁶ | 5.9% | 6.2 h |
| 129 | Грузия | 3,94 миллиона | 2.1 × 10¹⁶ | 6.1% | 6.4 h |
| 130 | Хорватия | 3,88 миллиона | 2.2 × 10¹⁶ | 6.7% | 7 h |
| 131 | Эритрея | 3,61 миллиона | 1.5 × 10¹⁶ | 5% | 5.2 h |
| 132 | Монголия | 3,57 миллиона | 2.2 × 10¹⁶ | 7% | 7.3 h |
| 133 | Уругвай | 3,38 миллиона | 1.7 × 10¹⁶ | 5.9% | 6.2 h |
| 134 | Босния и Герцеговина | 3,14 миллиона | 1.6 × 10¹⁶ | 5.9% | 6.2 h |
| 135 | Намибия | 3,09 миллиона | 1.8 × 10¹⁶ | 6.9% | 7.2 h |
| 136 | Армения | 3,09 миллиона | 1.7 × 10¹⁶ | 6.5% | 6.8 h |
| 137 | Катар | 2,97 миллиона | 9.6 × 10¹⁵ | 3.8% | 3.9 h |
| 138 | Литва | 2,89 миллиона | 1.8 × 10¹⁶ | 7.4% | 7.7 h |
| 139 | Ямайка | 2,84 миллиона | 1.2 × 10¹⁶ | 5% | 5.2 h |
| 140 | Гамбия | 2,82 миллиона | 1.1 × 10¹⁶ | 4.5% | 4.7 h |
| 141 | Габон | 2,59 миллиона | 9.9 × 10¹⁵ | 4.4% | 4.6 h |
| 142 | Ботсвана | 2,56 миллиона | 1.3 × 10¹⁶ | 5.7% | 6 h |
| 143 | Лесото | 2,36 миллиона | 9.5 × 10¹⁵ | 4.7% | 4.9 h |
| 144 | Молдавия | 2,36 миллиона | 1.5 × 10¹⁶ | 7.3% | 7.6 h |
| 145 | Албания | 2,35 миллиона | 1.2 × 10¹⁶ | 5.7% | 6 h |
| 146 | Гвинея-Бисау | 2,25 миллиона | 5.7 × 10¹⁵ | 2.9% | 3.1 h |
| 147 | Словения | 2,13 миллиона | 1.2 × 10¹⁶ | 6.6% | 6.9 h |
| 148 | Экваториальная Гвинея | 1,94 миллиона | 4 × 10¹⁵ | 2.4% | 2.5 h |
| 149 | Латвия | 1,85 миллиона | 1.2 × 10¹⁶ | 7.6% | 7.9 h |
| 150 | Северная Македония | 1,82 миллиона | 9.2 × 10¹⁵ | 5.9% | 6.2 h |
| 151 | Бахрейн | 1,6 миллиона | 5.9 × 10¹⁵ | 4.3% | 4.5 h |
| 152 | Косово | 1,58 миллиона | 8 × 10¹⁵ | 5.9% | 6.2 h |
| 153 | Тимор-Лесте | 1,42 миллиона | 8 × 10¹⁵ | 6.6% | 6.9 h |
| 154 | Кипр | 1,37 миллиона | 5.5 × 10¹⁵ | 4.7% | 4.9 h |
| 155 | Тринидад и Тобаго | 1,37 миллиона | 9.3 × 10¹⁵ | 7.9% | 8.2 h |
| 156 | Эстония | 1,37 миллиона | 8.3 × 10¹⁵ | 7% | 7.4 h |
| 157 | Эсватини | 1,26 миллиона | 7.5 × 10¹⁵ | 6.9% | 7.2 h |
| 158 | Маврикий | 1,24 миллиона | 5.1 × 10¹⁵ | 4.8% | 5 h |
| 159 | Джибути | 1,18 миллиона | 4.6 × 10¹⁵ | 4.5% | 4.8 h |
| 160 | Фиджи | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h |
| 161 | Коморы | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h |
| 162 | Соломоновы Острова | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h |
| 163 | Гайана | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h |
| 164 | Бутан | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h |
| 165 | Люксембург | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h |
| 166 | Суринам | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h |
| 167 | Черногория | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h |
| 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h |
| 169 | Мальдивы | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h |
| 170 | Кабо-Верде | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h |
| 171 | Бруней | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h |
| 172 | Белиз | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h |
| 173 | Багамы | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h |
| 174 | Исландия | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h |
| 175 | Вануату | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h |
| 176 | Барбадос | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h |
| 177 | Сан-Томе и Принсипи | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h |
| 178 | Самоа | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h |
| 179 | Сент-Люсия | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h |
| 180 | Кирибати | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h |
| 181 | Сейшелы | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h |
| 182 | Гренада | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h |
| 183 | Микронезия | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h |
| 184 | Тонга | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h |
| 185 | Сент-Винсент и Гренадины | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h |
| 186 | Антигуа и Барбуда | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h |
| 187 | Андорра | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h |
| 188 | Доминика | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h |
| 189 | Сент-Китс и Невис | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h |
| 190 | Лихтенштейн | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h |
| 191 | Монако | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h |
| 192 | Маршалловы Острова | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h |
| 193 | Сан-Марино | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h |
| 194 | Палау | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h |
| 195 | Науру | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h |
| 196 | Тувалу | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h |
- Бхаратия джаната парти (Индия)▲1140 миллионов
- Коммунистическая партия Китая▼1101,29 миллиона
- Демократическая партия (США)▲1344,9 миллиона
- Республиканская партия (США)▲1638 миллионов
- Индийский национальный конгресс▼226 миллионов
- АИАДМК (Индия)▼220,04 миллиона
- ДМК (Индия)▼220 миллионов
- Партия процветания (Эфиопия)▼115,7 миллиона
- TVK (Индия)▼115 миллионов
- Чама Ча Мапиндузи (Танзания)▼113 миллионов
- Всеобщий конгресс прогрессистов (Нигерия)▼112,9 миллиона
- Партия справедливости и развития (Турция)▼111,71 миллиона
- Морена (Мексика)▼111,63 миллиона
- Телугу Десам (Индия)▼110,05 миллиона
- Народная партия Камбоджи▼17 миллионов
Показать числа
| # | Партия | Члены | Следуя его инструкциям | Направляемая доля | Часов в неделю |
|---|---|---|---|---|---|
| 1 | Бхаратия джаната парти (Индия) | 140 миллионов | 6.3 × 10¹⁶ | 0.52% (прокси) | 0.6 h |
| 2 | Коммунистическая партия Китая | 101,29 миллиона | 8.2 × 10¹⁶ | 0.94% | 1 h |
| 3 | Демократическая партия (США) | 44,9 миллиона | 2.3 × 10¹⁵ | 0.06% | 0.1 h |
| 4 | Республиканская партия (США) | 38 миллионов | 2 × 10¹⁵ | 0.06% | 0.1 h |
| 5 | Индийский национальный конгресс | 26 миллионов | 1.2 × 10¹⁶ | 0.52% (прокси) | 0.6 h |
| 6 | АИАДМК (Индия) | 20,04 миллиона | 9 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 7 | ДМК (Индия) | 20 миллионов | 9 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 8 | Партия процветания (Эфиопия) | 15,7 миллиона | 7 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 9 | TVK (Индия) | 15 миллионов | 6.7 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 10 | Чама Ча Мапиндузи (Танзания) | 13 миллионов | 5.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 11 | Всеобщий конгресс прогрессистов (Нигерия) | 12,9 миллиона | 5.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 12 | Партия справедливости и развития (Турция) | 11,71 миллиона | 5.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 13 | Морена (Мексика) | 11,63 миллиона | 5.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 14 | Телугу Десам (Индия) | 10,05 миллиона | 4.5 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 15 | Народная партия Камбоджи | 7 миллионов | 3.1 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 16 | Трудовая партия Кореи | 6,18 миллиона | 7.6 × 10¹⁵ | 1.4% | 1.5 h |
| 17 | ФРЕЛИМО (Мозамбик) | 6 миллионов | 2.7 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 18 | Коммунистическая партия Вьетнама | 5,6 миллиона | 2.1 × 10¹⁵ | 0.44% | 0.5 h |
| 19 | Демократическая партия Кореи | 5 миллионов | 2.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 20 | Партия силы народа (Южная Корея) | 4,44 миллиона | 2 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 21 | ЕСПВ (Венесуэла) | 4,24 миллиона | 1.9 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 22 | ЗАНУ—ПФ (Зимбабве) | 4,06 миллиона | 1.8 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 23 | ОМНО (Малайзия) | 3,25 миллиона | 1.5 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 24 | Хустисиалистская партия (Аргентина) | 3,1 миллиона | 1.4 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 25 | Партия Колорадо (Парагвай) | 3 миллиона | 1.3 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 26 | Единая Россия | 2,6 миллиона | 1.2 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 27 | ЛДПУ (Узбекистан) | 2,31 миллиона | 1 × 10¹⁵ | 0.52% (прокси) | 0.6 h |
| 28 | PLD (Доминиканская Республика) | 2,18 миллиона | 9.7 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 29 | MDB (Бразилия) | 2,02 миллиона | 9 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 30 | РНП (Турция) | 1,88 миллиона | 8.4 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 31 | Гражданский радикальный союз (Аргентина) | 1,79 миллиона | 8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 32 | Партия трудящихся, PT (Бразилия) | 1,67 миллиона | 7.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 33 | PRM (Доминиканская Республика) | 1,55 миллиона | 6.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 34 | Подлинная радикально-либеральная партия (Парагвай) | 1,55 миллиона | 6.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 35 | Федеральная партия Филиппин | 1,5 миллиона | 6.7 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 36 | PAS (Малайзия) | 1,3 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 37 | PRD (Бразилия) | 1,29 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 38 | Прогрессисты (Бразилия) | 1,29 миллиона | 5.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 39 | PSDB (Бразилия) | 1,26 миллиона | 5.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 40 | PKR (Малайзия) | 1,15 миллиона | 5.2 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 41 | Борцы за экономическую свободу (Южная Африка) | 1,09 миллиона | 4.9 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 42 | PDT (Бразилия) | 1,07 миллиона | 4.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 43 | União Brasil | 1,07 миллиона | 4.8 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 44 | КПИ(М) (Индия) | 1,02 миллиона | 4.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 45 | Либерально-демократическая партия (Япония) | 1 миллион | 4.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 46 | ФНО (Алжир) | 1 миллион | 4.5 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 47 | Либеральная партия, PL (Бразилия) | 952,881 | 4.3 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 48 | Коммунистическая партия Кубы | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h |
| 49 | Африканский национальный конгресс | 688,454 | 3.1 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 50 | Консервативная партия Канады | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h |
| 51 | ХДС (Германия) | 364,202 | 1.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 52 | СДПГ (Германия) | 357,116 | 1.6 × 10¹⁴ | 0.52% (прокси) | 0.6 h |
| 53 | Лейбористская партия (Великобритания) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h |
| 54 | Либеральная партия Канады | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h |
| 55 | Зелёные (Германия) | 155,296 | 7 × 10¹³ | 0.52% (прокси) | 0.6 h |
| 56 | ХСС (Германия) | 125,153 | 5.6 × 10¹³ | 0.52% (прокси) | 0.6 h |
| 57 | Консервативная партия (Великобритания) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h |
| 58 | Новая демократическая партия (Канада) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h |
| 59 | АдГ (Германия) | 51,335 | 2.3 × 10¹³ | 0.52% (прокси) | 0.6 h |
- Walmart2,1 миллиона
- Amazon▲11,58 миллиона
- State Grid▼11,36 миллиона
- Китайская национальная нефтяная корпорация1,03 миллиона
- JD.com951,420
- BYD▲1869,622
- Accenture▼1779,000
- Allied Universal▲3770,000
- China Post Group▼1719,448
- Российские железные дороги (РЖД)▲2677,363
- Volkswagen Group▲6662,942
- Foxconn (Hon Hai)▼2633,167
- Schwarz Group▲16604,000
- Compass Group▲18590,000
- Tata Consultancy Services▼6584,510
Показать числа
| # | Корпорация | Сотрудники | Следуя его инструкциям | Часов в неделю | Направляемая доля |
|---|---|---|---|---|---|
| 1 | Walmart | 2,1 миллиона | 6.3 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 2 | Amazon | 1,58 миллиона | 4.7 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 3 | State Grid | 1,36 миллиона | 5.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 4 | Китайская национальная нефтяная корпорация | 1,03 миллиона | 4.1 × 10¹⁶ | 49 h (Китай) | 47% |
| 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (Китай) | 47% |
| 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Индия) | 55% |
| 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Соединённые Штаты) | 35% |
| 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (Китай) | 47% |
| 10 | Российские железные дороги (РЖД) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Россия) | 38% |
| 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Германия) | 34% |
| 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Германия) | 30% |
| 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% |
| 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Индия) | 56% |
| 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Германия) | 34% |
| 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (Китай) | 47% |
| 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Россия) | 39% |
| 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Соединённые Штаты) | 38% |
| 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (Китай) | 47% |
| 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Соединённые Штаты) | 38% |
| 23 | Сельскохозяйственный банк Китая | 457,835 | 1.8 × 10¹⁶ | 49 h (Китай) | 47% |
| 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Филиппины) | 45% |
| 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Индия) | 56% |
| 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Индонезия) | 40% |
| 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% |
| 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Индия) | 56% |
| 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Индия) | 57% |
| 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Германия) | 30% |
| 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (Китай) | 47% |
| 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Соединённые Штаты) | 30% |
| 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Германия) | 34% |
| 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (Китай) | 47% |
| 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (Китай) | 47% |
| 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Россия) | 38% |
| 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Япония) | 38% |
| 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Соединённые Штаты) | 35% |
| 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Россия) | 38% |
| 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Соединённые Штаты) | 36% |
| 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Соединённые Штаты) | 30% |
| 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Германия) | 30% |
| 48 | Строительный банк Китая | 378,344 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (Китай) | 47% |
| 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (Мексика) | 45% |
| 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Япония) | 40% |
| 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Великобритания) | 30% |
| 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Индия) | 56% |
| 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Япония) | 38% |
| 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Соединённые Штаты) | 35% |
| 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Индия) | 56% |
| 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Индия) | 56% |
| 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Соединённые Штаты) | 35% |
| 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Соединённые Штаты) | 35% |
| 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Россия) | 39% |
| 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Соединённые Штаты) | 38% |
| 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Германия) | 34% |
| 64 | Банк Китая | 313,746 | 1.3 × 10¹⁶ | 49 h (Китай) | 47% |
| 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Соединённые Штаты) | 35% |
| 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Соединённые Штаты) | 39% |
| 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% |
| 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% |
| 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (Китай) | 47% |
| 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Великобритания) | 33% |
| 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Соединённые Штаты) | 35% |
Животные и другие организмы
От отдельных клеток без нейронов до мозга человека. Числа нейронов измерены там, где они существуют.
Нет нейронов
- Escherichia coliEscherichia coli0 измереноОдна клетка без нейронов. Она направляется к пище и обладает химической памятью, которая длится несколько секунд.
- СлизевикPhysarum polycephalum0 измереноОдна гигантская клетка без нейронов. Она проходит лабиринты и выращивает эффективные транспортные сети.
- Мимоза стыдливаяMimosa pudica0 измереноРастение, листья которого складываются при касании. В одном исследовании сообщалось, что оно учится игнорировать безвредные прикосновения. Более поздний повторный анализ это оспорил.
- ГубкаPorifera (e.g. Amphimedon queenslandica)0 измереноЖивотное без нейронов и синапсов, которое тем не менее согласованно сокращает всё тело.
Нервные сети, без мозга
- ГидраHydra vulgarisоколо 3 000–5 000 оценкаМаленький пресноводный стрекающий. Им управляет диффузная нервная сеть, мозга у него нет.
- КубомедузаTripedalia cystophoraОпубликованного подсчёта нетУ кубомедузы нет центрального мозга, но она показала ассоциативное обучение.
Беспозвоночные с мозгом
- Круглый червьCaenorhabditis elegans302 измереноЧервь длиной около миллиметра, у которого ровно 302 нейрона. Это первое животное, у которого полностью составили схему связей.
- ДрозофилаDrosophila melanogaster139,255 измереноСамая большая из составленных на сегодня полных схем связей мозга, около 139 000 нейронов.
- Медоносная пчелаApis melliferaоколо 1 млн оценкаОколо миллиона нейронов, и пчёлы способны усваивать абстрактные понятия, такие как «одинаковое» и «разное».
- Муравей (Camponotus / Formica)Camponotus spp.Опубликованного подсчёта нетМаленький мозг, который справляется с дальней навигацией, считая шаги (интеграция пути) и запоминая ориентиры.
- Паук-скакун PortiaPortia fimbriata / labiataОпубликованного подсчёта нетПаук-скакун, который планирует обходные пути. Он выбирает маршруты, уводящие от добычи и скрывающие его из виду.
- Прибрежный краб / ракCarcinus maenas; Procambarus / Astacus spp.Опубликованного подсчёта нетКрабы и раки. Обзор правительства Великобритании 2021 года нашёл убедительные свидетельства того, что настоящие крабы способны чувствовать.
- Обыкновенный осьминогOctopus vulgaris500 млн оценкаБольшая часть её нейронов находится в щупальцах. Обзор 2021 года нашёл очень убедительные свидетельства того, что она способна чувствовать.
Рыбы и земноводные
- Данио-рериоDanio rerioОпубликованного подсчёта нетМаленькая рыба, широко используемая в нейронауке. Её нейроны ещё не посчитаны полностью. В мозге взрослой особи около 10 млн клеток.
- Губан-чистильщикLabroides dimidiatusОпубликованного подсчёта нетРифовая рыба, прошедшая вариант теста с меткой перед зеркалом. О том, что это показывает, люди спорят.
- ЛягушкаAnura (e.g. Xenopus / Rana)Опубликованного подсчёта нетНью-Йоркская декларация 2024 года говорит, что сознательный опыт у земноводных реально возможен.
Птицы
- Сизый голубьColumba livia310 млн измереноСотни миллионов нейронов в небольшом мозге. Голуби умеют сортировать сложные изображения по категориям.
- ВоронCorvus corax2,17 млрд измереноБолее двух миллиардов нейронов, плотно упакованных. Вороны помнят отдельных соперников.
- Новокаледонская воронаCorvus moneduloidesОпубликованного подсчёта нетОна делает крючки-инструменты из веточек и проволоки. Её нейроны не посчитаны.
- Серый попугайPsittacus erithacus1,57 млрд измереноОколо 1,6 млрд нейронов. Десятилетия лабораторных исследований восприятия числа и категоризации.
Mammals
- МышьMus musculus70,9 млн измереноОколо 71 млн нейронов. У мышей есть мимика боли, которую можно измерить.
- КрысаRattus norvegicus200 млн измереноОколо 200 млн нейронов. Крысы освобождают запертых соседей по клетке.
- Домашняя кошкаFelis catus1,22 млрд измереноОколо 250 млн нейронов в коре больших полушарий.
- Домашняя собакаCanis familiarisот 1,8 до 2,6 млрд, в зависимости от собаки измереноДо примерно 600 млн корковых нейронов, в зависимости от собаки. Это больше, чем у кошек.
- Домашняя свиньяSus scrofa domesticus2,22 млрд измереноСвиньи понимают, что показывает зеркало, и используют его, чтобы найти еду.
- АфалинаTursiops truncatusОпубликованного подсчёта нетПроходит тесты на узнавание себя в зеркале. Измеренного числа нейронов для афалины нет.
- Африканский слонLoxodonta africana257 млрд измерено257 млрд нейронов, втрое больше, чем у человека, почти все в мозжечке.
- ШимпанзеPan troglodytesоколо 28 млрд (предсказано по законам масштабирования, не подсчитано) оценкаОдин из двух наших ближайших ныне живущих родственников (вместе с бонобо). Проходит зеркальный тест.
- ЧеловекHomo sapiens86,1 млрд измерено86 млрд нейронов, из них 16 млрд в коре больших полушарий. Мы единственный вид, чьи представители могут словесно рассказать о своём опыте.
Коллективные системы
Группы, которые принимают решения, недоступные ни одному члену по отдельности. Их изучают как коллективный интеллект, а не как сознания.
- Муравьиные колонииКолонии выбирают лучшее гнездо, потому что отдельные муравьи следуют кворумному порогу. Ни один муравей не сравнивает места в целом.
- Рои медоносных пчёлРои выбирают лучшую полость через соревнование разведчиков и кворум. Сигналы остановки обеспечивают перекрёстное торможение, которое разрывает тупики.
- Скворцовые стаиКаждая птица следит за фиксированным числом соседей (около 6–7), а не за всеми птицами в пределах фиксированного расстояния. Это называют топологическим, а не метрическим взаимодействием.
- Рыбьи косякиКосяки принимают решения по кворуму. Большие группы могут ощущать градиенты среды, недоступные ни одной рыбе по отдельности.
Искусственные системы
Виды машинного интеллекта, отсортированные по принципу работы. Ни одна из нынешних систем не считается сильным кандидатом на сознание.
- Экспертные системы на правилахПрограммы, которые записывают знания эксперта в предметной области как явные правила «если–то». Механизм вывода применяет правила по порядку, чтобы прийти к заключениям, обычно с объяснением своих рассуждений.
- Движки перебора игровых деревьев (шахматы)Программы, которые перебирают возможные последовательности ходов до фиксированной глубины и оценивают получившиеся позиции вручную составленной оценочной функцией. Они отсекают ветви, которые не могут изменить выбор (минимакс с альфа-бета-отсечением).
- Агенты глубокого обучения с подкреплениемНейронные сети, обученные методом проб и ошибок максимизировать сигнал вознаграждения. Они усваивают политику или функцию ценности, взаимодействуя со средой, часто смоделированной, например с игрой.
- Большие языковые моделиТрансформерные нейронные сети, обученные предсказывать следующий токен в очень больших текстовых корпусах, а затем часто донастроенные по отзывам людей.
- Воплощённые роботыМашины с датчиками и приводами, действующие в физическом мире. Они часто используют многоуровневое реактивное управление вместо центральной модели мира, так что поведение возникает из цикла между телом и средой.
- Нейроморфное железоЧипы, схемы которых имитируют импульсные нейроны и синапсы. Они управляются событиями и потребляют мало энергии, в отличие от обычной архитектуры процессора и памяти.
Гипотетические сознания
Сознания, предложенные в научной и философской литературе. Никто ни одного не наблюдал.
- Эмуляция всего мозгане наблюдалосьДетальное сканирование мозга и запуск его программной модели.
- Смоделированные сознания в симуляциях предковне наблюдалосьТрилемма Бострома: либо почти ни одна цивилизация не достигает постчеловеческой стадии, либо почти ни одна не запускает симуляции предков, либо мы почти наверняка живём в одной из них.
- Больцмановские мозгине наблюдалосьМозгоподобные наблюдатели, возникающие из редких тепловых или квантовых флуктуаций.
- Загрузка сознания путём постепенной заменыне наблюдалосьЗамена нейронов один за другим функционально идентичными искусственными частями.
- Сверхинтеллектне наблюдалосьГипотетический разум, намного превосходящий человеческий почти во всех областях. Книга Бострома разбирает пути к нему (эмуляция всего мозга, биологическое познание, ИИ), его формы и проблемы контроля.
Версия данных 2.0.0. Скачать (JSON).