DiscDiff
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
- Imperial College London
- Organisationstyp
- Academia
- Land
- United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 8 February 2024
- Autoren
- Zehui Li, Yuhao Ni, William A V Beardall, Guoxuan Xia, Akashaditya Das, Guy-Bart Stan, Yiren Zhao
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
- 983,040,000 tokens
160000 examples with 2048 length (Table 1) 1.6e+5*2.0e+3=3.3e+8
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 3.4 × 10¹⁹ FLOP
- Wie es etabliert wurde
- 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
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA RTX A6000,NVIDIA A100
- Verwendete Chips
- 2
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
- Zitationen
- 21
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- DiscDiff: Latent Diffusion Model for DNA Sequence Generation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
DiscDiff was published by Imperial College London, in United Kingdom of Great Britain and Northern Ireland, in February 2024. 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.
Training und Herkunft
Training it took roughly 3.4 × 10¹⁹ FLOP of computation, on NVIDIA RTX A6000,NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
It was trained on about 983,040,000 tokens of text.
Antworten
DiscDiff — Häufig gestellte Fragen
Is DiscDiff open source?
The licensing for DiscDiff 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 DiscDiff have?
No parameter count has been published for DiscDiff, which is why no memory or speed figure appears on this page.
Who created DiscDiff?
DiscDiff was published by Imperial College London, based in United Kingdom of Great Britain and Northern Ireland, categorised as academia.
When was DiscDiff released?
DiscDiff was published in February 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 DiscDiff used for?
DiscDiff works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM). Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DiscDiff?
Around 3.4 × 10¹⁹ FLOP, on NVIDIA RTX A6000,NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DiscDiff?
None. DiscDiff 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.
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.