BigRNA
Χωρίς εκτίμηση
Δεν υπάρχουν απαιτήσεις υλικού για αυτό το μοντέλο
Τα βάρη αυτού του μοντέλου δεν έχουν δημοσιευθεί, επομένως δεν μπορεί να κατεβεί ή να τρέξει σε δικό σας υλικό οποιουδήποτε μεγέθους. Είναι προσβάσιμο μόνο μέσω του παρόχου του και καμία κάρτα γραφικών δεν το αλλάζει αυτό.
Σε εγγραφή
Πλήρης προδιαγραφή
Όλα τα δεδομένα σχετικά με αυτό το μοντέλο. Τα περισσότερα περιγράφουν πώς εκπαιδεύτηκε παρά πώς τρέχει — χρήσιμο πλαίσιο για την αξιολόγηση του πόσο δουλειά απαιτήθηκε και πώς συγκρίνεται με μοντέλα που έχουν κατασκευαστεί σε διαφορετική κλίμακα.
Προέλευση
Ποιος δημιούργησε αυτό το μοντέλο, πού και πότε δημοσιεύθηκε;
- Οργάνωση
- DeepGenomics
- Τύπος οργάνωσης
- Industry
- Χώρα
- Canada
- Δημοσιευμένο
- 27 September 2023
- Συγγραφείς
- Albi Celaj, Alice Jiexin Gao, Tammy T.Y. Lau, Erle M. Holgersen, Alston Lo, Varun Lodaya, Christopher B. Cole, Robert E. Denroche, Carl Spickett, Omar Wagih, Pedro O. Pinheiro, Parth Vora, Pedrum Mohammadi-Shemirani, Steve Chan, Zach Nussbaum, Xi Zhang, Helen Zhu, Easwaran Ramamurthy, Bhargav Kanuparthi, Michael Iacocca, Diane Ly, Ken Kron, Marta Verby, Kahlin Cheung-Ong, Zvi Shalev, Brandon Vaz,…
Τι κάνει
Οι προβληματικές περιοχές για τις οποίες κατασκευάστηκε το μοντέλο. Ένα μοντέλο μπορεί να περιέχει αρκετές από κάθε μία.
- Τομέας
- Biology
- Εντολή
- Drug discovery, Protein-RNA binding affinity prediction, Gene expression profile generation
Μέγεθος
Πόσο μεγάλο είναι το μοντέλο και πόσα δεδομένα εκπαιδεύτηκε. Οι παράμετροι είναι το νούμερο που αποφασίζει αν χωράει σε μια δεδομένη κάρτα γραφικών.
- Παραμέτροι
- 2B
- Δεδομένα εκπαίδευσης
- 1,000,000,000,000 tokens
2B
"trained on thousands of datasets comprising one trillion genomic signals"
Υπολογιστική εκπαίδευση
Η αριθμητική που εκτελείται για την εκπαίδευση του μοντέλου, μετρημένη σε αριθμητικές πράξεις κινητής υποδιαστολής. Είναι ένα μέτρο του κόστους της εκπαίδευσης, όχι πόσο γρήγορα απαντά το ολοκληρωμένο μοντέλο.
- Υπολογιστική εκπαίδευση
- 1.2 × 10²² FLOP
- Πώς ιδρύθηκε
- Operation counting
6 FLOP/parameter/token * 2000000000 parameters * 1000000000000 tokens = 1.2e+22 FLOP "Likely" confidence because I amnot sure that "signals" correspond directly to gradient updates
Διαθεσιμότητα
Εάν μπορείτε να αποκτήσετε το μοντέλο και να το εκτελέσετε στον δικό σας εξοπλισμό, κάτι που αποφασίζει αν κάποια από τα στοιχεία της κάρτας γραφικών σε αυτή τη σελίδα εφαρμόζονται.
- Βάρη
- Closed — provider access only
- Πρόσβαση μοντέλου
- Unreleased
- Κώδικας εκπαίδευσης
- Unreleased
Πώς ταξινομείται
Ετικέτες που εφαρμόζει το πηγαίο σύνολο δεδομένων κατά την παρακολούθηση σημαντικών μοντέλων, και πόσο σίγουρο είναι για την είσοδο.
- Καταγραφή εμπιστοσύνης
- Likely
Πηγές
Από πού προήλθε αυτή η καταγραφή και πότε ελέγχθηκε τελευταία.
- Αναφορά
- An RNA foundation model enables discovery of disease mechanisms and candidate therapeutics
- Τελευταία ενημέρωση
- 28 November 2025
Τι σημαίνουν οι αριθμοί
Από πού προήλθε
BigRNA was published by DeepGenomics, in Canada, in September 2023. industry is the category the publisher falls under.
It works in Biology, and is recorded as doing drug discovery, Protein-RNA binding affinity prediction, Gene expression profile generation.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Εκπαίδευση και προέλευση
Training it took roughly 1.2 × 10²² FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
The training set ran to roughly 1,000,000,000,000 tokens.
Απαντήσεις
BigRNA — Συχνές ερωτήσεις
How many parameters does BigRNA have?
BigRNA has 2B parameters. 2B. 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.
Who created BigRNA?
BigRNA was published by DeepGenomics, based in Canada, categorised as industry.
When was BigRNA released?
BigRNA was published in September 2023. 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 BigRNA used for?
BigRNA works in Biology, and is recorded as handling drug discovery, Protein-RNA binding affinity prediction, Gene expression profile generation. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train BigRNA?
Around 1.2 × 10²² FLOP. 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 BigRNA?
None. BigRNA 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 BigRNA open source?
No. BigRNA has not had its weights published, so it exists only as a service controlled by its owner.
Η άλλη κατεύθυνση
Βλέποντάς το από την άλλη πλευρά;
Αυτή η σελίδα ξεκινάει από το μοντέλο. Αν ήδη διαθέτετε μια κάρτα και θέλετε να γνωρίζετε όλα όσα θα τρέξει, Ξεκινήστε από το υλικό αντί..