CodonTransformer

Uzavřené váhy Vector Institute,University of Toronto,Université Paris Cité 89.6M parametry September 2024

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
Vector Institute,University of Toronto,Université Paris Cité
Typ organizace
Academia,Academia,Academia
Země
Canada, France
Publikováno
13 September 2024
Autoři
Adibvafa Fallahpour, Vincent Gureghian, Guillaume J. Filion, Ariel B. Lindner, Amir Pandi

Co to dělá

Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.

Doména
Biology
Úkol
Codon optimization

Velikost

Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.

parametry
89.6M

"total number of parameters to 89.6 million."

Výcviková data
45,053,865 tokens

1,001,197 sequences × 300 tokens/sequence = 300359100

Epochy
20

Tréninkový běh

Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.

Tréninkový hardware
NVIDIA V100
Používané čipy
16
Příkon
9.5 kW

Jak je to klasifikováno

Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.

Záznam důvěry
Confident

Žrovy

Odkud tento záznam pochází a kdy byl naposledy zkontrolován.

Reference
CodonTransformer: a multispecies codon optimizer using context-aware neural networks
Nap poslední aktualizace
28 November 2025

Co čísla znamenají

Pozadí

CodonTransformer byl zveřejněn Vector Institute,University of Toronto,Université Paris Cité, v zemi zaznamenané jako Canada, během September 2024. Vydavatelská organizace je kategorizována jako academia,Academia,Academia.

funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol codon optimization.

Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.

Trénink a původ

Tréninková sada běžela na přibližně 45,053,865 tokeny textu

Odpovědi

CodonTransformer — běžné otázky

01

CodonTransformer— Kdy byl vydán?

Bylo to zveřejněno v September 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.

02

CodonTransformer— K čemu se to používá?

funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol codon optimization. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.

03

CodonTransformer— 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.

04

CodonTransformer— 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.

05

CodonTransformer— kolik má parametrů?

Má počet parametrů 89.6M. "total number of parameters to 89.6 million.". Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.

06

CodonTransformer— Kdo to vytvořil?

Bylo to publikováno společností Vector Institute,University of Toronto,Université Paris Cité, zakládající se na Canada, organizace zařazená jako academia,Academia,Academia.

Zdroj

Původní publikace

Nahrávka naposledy aktualizována 28 November 2025

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.