RNA-FM
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
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
- Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute
- Organisationsart
- Academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry
- Land
- Hong Kong, China, United States of America
- Veröffentlicht
- 8 August 2022
- Autoren
- Jiayang Chen, Zhihang Hu, Siqi Sun, Qingxiong Tan, Yixuan Wang, Qinze Yu, Licheng Zong, Liang Hong, Jin Xiao, Tao Shen, Irwin King, Yu Li
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- RNA structure prediction
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.
- Trainingsdaten
- tokens
23 million sequences × 1024 tokens per sequence: 23,000,000 × 1,024 = 23 × 10⁶ × 1.024 × 10³ = 2.35 × 10¹⁰ 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
- 2.6 × 10²¹ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 8x NVIDIA A100 GPUs (3.12E14 FLOP/s per GPU) 2. Training duration: 30 days estimated (2,592,000 seconds) 3. Utilization rate: 40% 4. Calculation: 3.12E14 FLOP/s × 8 GPUs × 2,592,000 seconds × 0.4 = 2.59E21 FLOPs
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 A100
- Verwendete Chips
- 8
- Wand-Uhrzeit
- 720 hours (30 days)
- Stromverbrauch
- 6.4 kW
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Open source
- Hugging Face
- cuhkaih
MIT license https://github.com/ml4bio/RNA-FM Apache 2.0 https://huggingface.co/cuhkaih/rnafm
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 234
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Interpretable RNA Foundation Model from Unannotated Data for Highly Accurate RNA Structure and Function Predictions
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
RNA-FM wurde veröffentlicht von Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute, im Land aufgezeichnet als Hong Kong, während August 2022. Die veröffentlichende Organisation ist als academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet rNA structure prediction.
Die Gewichte sind veröffentlicht, sodass sie auf deiner eigenen Hardware unbegrenzt, offline und ohne angehängtes Konto heruntergeladen und ausgeführt werden kann. Es ist unter der Organisation auf Hugging Face veröffentlicht. cuhkaih.
Wie es trainiert wurde
Das Training benötigte ein Rechenbudget von ungefähr 2.6 × 10²¹ FLOP, auf Hardware erfasst als NVIDIA A100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
RNA-FM — Häufige Fragen
RNA-FM— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
RNA-FM— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
RNA-FM— Wer hat es erstellt?
Es wurde veröffentlicht von Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute, basiert auf Hong Kong, eine als kategorisierte Organisation academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry.
RNA-FM— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
RNA-FM— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von rNA structure prediction. 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.
RNA-FM— Wo kann ich es herunterladen?
Seine Gewichte sind auf Hugging Face veröffentlicht, unter der Organisation cuhkaih. Wir hosten keine Modell-Dateien — diese Seite berechnet, welche Hardware benötigt wird, um sie auszuführen.
RNA-FM— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.6 × 10²¹ FLOP, auf Hardware erfasst als NVIDIA A100. 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.
RNA-FM— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
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.