OmniGenome
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of Exeter
- Organisationsart
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 15 July 2024
- Autoren
- Heng Yang, Ke Li
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein or nucleotide language model (pLM/nLM)
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 186M
- Trainingsdaten
- tokens
54.2 billion tokens = 54.2 x 10^9 = 54,200,000,000 tokens
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 3.4 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 8x NVIDIA RTX 4090 GPUs (3.30×10¹⁴ FLOP/s per GPU) 2. Training duration: 3 weeks (directly provided) = 1,814,400 seconds (3 weeks × 7 days × 24 hours × 3600 seconds) 3. Utilization rate: 40% 4. Final calculation: 3.30×10¹⁴ FLOP/s × 8 GPUs × 1,814,400 seconds × 0.4 = 1.9×10²¹ FLOPs Alternative: 6*54.2B*186M=60487200000000000000 Geometric Mean: 339006902584593356472
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA GeForce RTX 4090
- Verwendete Chips
- 8
- Stromverbrauch
- 7.1 kW
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 5
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- OmniGenome: Aligning RNA Sequences with Secondary Structures in Genomic Foundation Models
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
OmniGenome wurde veröffentlicht von University of Exeter, im Land aufgezeichnet als United Kingdom of Great Britain and Northern Ireland, während July 2024. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein or nucleotide language model (pLM/nLM).
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Der Trainingslauf verbrauchte etwa 3.4 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 4090. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
OmniGenome — Häufige Fragen
OmniGenome— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in July 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
OmniGenome— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein or nucleotide language model (pLM/nLM). Ein Modell kann mehrere von jedem tragen, daher sind dies die Bereiche, für die es gebaut wurde, anstatt eine Begrenzung dafür, was es versuchen wird.
OmniGenome— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 3.4 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA GeForce RTX 4090. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
OmniGenome— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
OmniGenome— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
OmniGenome— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 186M. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
OmniGenome— Wer hat es erstellt?
Es wurde veröffentlicht von University of Exeter, basiert auf United Kingdom of Great Britain and Northern Ireland, eine als kategorisierte Organisation academia.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.