RNA-DCGen
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
- Bangladesh University of Engineering and Technology,University of California Riverside
- Organisationstyp
- Academia,Academia
- Land
- India, United States of America
- Veröffentlicht
- 25 September 2024
- Autoren
- Haz Sameen Shahgir, Md. Rownok Zahan Ratul, Md Toki Tahmid, Khondker Salman Sayeed, Atif Rahman
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- RNA sequence generation, Protein or nucleotide language model (pLM/nLM)
- Basis-Modell
- BiRNA-BERT
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.
- Parameter
- 117M
- Trainingsdaten
- tokens
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
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
- 2
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- RNA-DCGen: Dual Constrained RNA Sequence Generation with LLM-Attack
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
RNA-DCGen was published by Bangladesh University of Engineering and Technology,University of California Riverside, in India, in September 2024. The organisation is categorised as academia,Academia.
It works in Biology, and is recorded as doing rNA sequence generation, Protein or nucleotide language model (pLM/nLM).
It is derived from BiRNA-BERT rather than trained from scratch, which is the usual way a specialised model is produced.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Antworten
RNA-DCGen — Häufig gestellte Fragen
Who created RNA-DCGen?
RNA-DCGen was published by Bangladesh University of Engineering and Technology,University of California Riverside, based in India, categorised as academia,Academia.
When was RNA-DCGen released?
RNA-DCGen was published in September 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 RNA-DCGen used for?
RNA-DCGen works in Biology, and is recorded as handling rNA sequence generation, Protein or nucleotide language model (pLM/nLM). These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run RNA-DCGen?
None. RNA-DCGen 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 RNA-DCGen open source?
No. RNA-DCGen has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does RNA-DCGen have?
RNA-DCGen has 117M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
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.