DiscDiff
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Imperial College London
- Typ organizace
- Academia
- Země
- United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 8 February 2024
- Autoři
- Zehui Li, Yuhao Ni, William A V Beardall, Guoxuan Xia, Akashaditya Das, Guy-Bart Stan, Yiren Zhao
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Protein or nucleotide language model (pLM/nLM)
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 983,040,000 tokens
160000 examples with 2048 length (Table 1) 1.6e+5*2.0e+3=3.3e+8
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 3.4 × 10¹⁹ FLOP
- Jak bylo ustanoveno
- Hardware
1. Hardware setup: - VAE stage: 1x NVIDIA RTX A6000 (3.87e13 FLOP/s) - UNet stage: 1x NVIDIA A100 40GB (3.12e14 FLOP/s) 2. Training duration (provided directly): - VAE: 24 GPU-hours (86,400 seconds) - UNet: 72 GPU-hours (259,200 seconds) 3. Utilization rate: 40% for both stages 4. Calculation: VAE: 3.87e13 FLOP/s × 86,400s × 0.4 = 1.34e18 FLOPs UNet: 3.12e14 FLOP/s × 259,200s × 0.4 = 3.24e19 FLOPs Total = 1.34e18 + 3.24e19 = 3.4e19 FLOPs
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA RTX A6000,NVIDIA A100
- Používané čipy
- 2
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 21
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- DiscDiff: Latent Diffusion Model for DNA Sequence Generation
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
O tomto modelu
DiscDiff byl zveřejněn Imperial College London, v zemi zaznamenané jako United Kingdom of Great Britain and Northern Ireland, během February 2024. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein or nucleotide language model (pLM/nLM).
Jeho váhy nikdy nebyly zveřejněny, takže k němu lze přistupovat pouze prostřednictvím jeho poskytovatele. Žádná změna grafické karty to nezmění.
Trénink a původ
Trénování si vyžádalo výpočetní rozpočet přibližně 3.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA RTX A6000,NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 983,040,000 tokeny textu
Odpovědi
DiscDiff — běžné otázky
DiscDiff— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
DiscDiff— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
DiscDiff— Kdo to vytvořil?
Bylo to publikováno společností Imperial College London, zakládající se na United Kingdom of Great Britain and Northern Ireland, organizace zařazená jako academia.
DiscDiff— Kdy byl vydán?
Bylo to zveřejněno v February 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
DiscDiff— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein or nucleotide language model (pLM/nLM). Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
DiscDiff— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 3.4 × 10¹⁹ FLOP, na hardwaru zaznamenáno jako NVIDIA RTX A6000,NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
DiscDiff— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.