eFold
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Harvard Medical School,Stanford University,Columbia University,University of Strasbourg
- Organisationstyp
- Academia,Academia,Academia,Academia
- Land
- United States of America, France
- Veröffentlicht
- 4 April 2024
- Autoren
- Silvi Rouskin, Alberic de Lajart, Yves Martin des Taillades, Colin Kalicki, Federico Fuchs Wightman, Justin Aruda, Dragui Salazar, Matthew Allan, Casper L'Esperance-Kerckhoff, Alex Kashi, Fabrice Jossinet
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Protein or nucleotide language model (pLM/nLM)
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- tokens
pretraining: "over 120,000 unique sequences and structures” (bpRNA + Ribonanza); "The final dataset contains 227,000 sequences up to 512 in length." (synthetic from RNAcentral + RNAstructure Fold) finetuning: "1,456 mRNA and 1,098 pri-miRNA structures" after filtering (RNAndria)
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Diverse Database and Machine Learning Model to Narrow the Generalization Gap in RNA Structure Prediction
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
eFold was published by Harvard Medical School,Stanford University,Columbia University,University of Strasbourg, in United States of America, in April 2024. academia,Academia,Academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein or nucleotide language model (pLM/nLM).
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Antworten
eFold — Häufig gestellte Fragen
What GPU do I need to run eFold?
None. eFold is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is eFold open source?
The licensing for eFold was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does eFold have?
No parameter count has been published for eFold, which is why no memory or speed figure appears on this page.
Who created eFold?
eFold was published by Harvard Medical School,Stanford University,Columbia University,University of Strasbourg, based in United States of America, categorised as academia,Academia,Academia,Academia.
When was eFold released?
eFold was published in April 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is eFold used for?
eFold works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM). These are the areas it was designed around; they describe intent rather than a hard boundary.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.