RNAdiffusion
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
- Princeton University,Tsinghua University,Stanford University
- Organisationsart
- Academia,Academia,Academia
- Land
- United States of America, China
- Veröffentlicht
- 15 September 2024
- Autoren
- Kaixuan Huang, Yukang Yang, Kaidi Fu, Yanyi Chu, Le Cong, Mengdi Wang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- RNA sequence generation
- Basis-Modell
- RNA-FM
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
Diffusion part: 1.1M sequences. 205k UTR sequences Reward model: 101k sequences Total: 1100000+205000+101000=1406000 sequences Assuming average token length of 300: 1406000*300=421800000
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
- 2.5 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Hardware
Autoencoder: 8.5h per epoch on single H100, 2 epochs total Diffusion model: 3.5h per epoch on single H100, 3 epochs total Reward model: 7h on a single A100 Total training time: 2*8.5+3*3.5+7=34.5 Compute: ((2*8.5+3*3.5)*756000000000000+7*312000000000000)*60*60*0.3=2.481192e+19
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 H100 PCIe,NVIDIA A100
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 35 hours
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
- 9
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Latent Diffusion Models for Controllable RNA Sequence Generation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
RNAdiffusion wurde veröffentlicht von Princeton University,Tsinghua University,Stanford University, im Land aufgezeichnet als United States of America, während September 2024. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia,Academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet rNA sequence generation.
Anstatt von Grund auf neu trainiert zu werden, ist es abgeleitet von RNA-FM. Das ist der übliche Weg, wie ein spezialisiertes Modell hergestellt wird.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 2.5 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA H100 PCIe,NVIDIA A100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
RNAdiffusion — Häufige Fragen
RNAdiffusion— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von rNA sequence generation. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
RNAdiffusion— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 2.5 × 10¹⁹ FLOP, auf Hardware erfasst als NVIDIA H100 PCIe,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.
RNAdiffusion— 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.
RNAdiffusion— 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.
RNAdiffusion— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
RNAdiffusion— Wer hat es erstellt?
Es wurde veröffentlicht von Princeton University,Tsinghua University,Stanford University, basiert auf United States of America, eine als kategorisierte Organisation academia,Academia,Academia.
RNAdiffusion— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in September 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
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.