DDPM
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- University Paris-Saclay,Radboud University Medical Center
- Tipo de Organización
- Academia,Academia
- País
- France, Netherlands
- Publicado
- 13 April 2024
- Autores
- Alice Lacan, Romain André, Michele Sebag, Blaise Hanczar
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Gene expression profile generation
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- 9,541,304 tokens
TCGA: 6,499 × 978 = 6,356,022 GTEx: 9,796 × 974 = 9,541,304 Total: 6,356,022 + 9,541,304 = 15,897,326 ≈ 1.6e7 datapoints
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 9 × 10¹⁷ FLOP
- Cómo se estableció
- Hardware
1. Hardware setup: 1x NVIDIA A40 GPU (1.50×10¹⁴ FLOP/s per GPU) 2. Training duration: 15,000 seconds (directly provided - sum of TCGA training: 3,780s and GTEx training: 11,220s) 3. Utilization rate: 40% 4. Calculation: 1.50×10¹⁴ FLOP/s × 1 GPU × 15,000s × 0.4 = 9.0×10¹⁷ FLOPs
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A40 PCIe
- Chips utilizados
- 1
- Consumo de energía
- 326 W
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 4
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- In Silico Generation of Gene Expression profiles using Diffusion Models
- Última actualización
- 28 November 2025
Qué significan los números
De dónde vino
DDPM fue publicado por University Paris-Saclay,Radboud University Medical Center, en el país registrado como France, durante April 2024. Sale de una organización categorizada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de gene expression profile generation.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 9 × 10¹⁷ FLOP, en hardware registrado como NVIDIA A40 PCIe. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 9,541,304 tokens de texto
Respuestas
DDPM — preguntas comunes
DDPM— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
DDPM— ¿Quién lo creó?
Fue publicado por University Paris-Saclay,Radboud University Medical Center, basado en France, una organización categorizada como academia,Academia.
DDPM— ¿cuándo fue lanzado?
Se publicó en April 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
DDPM— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de gene expression profile generation. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
DDPM— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 9 × 10¹⁷ FLOP, en hardware registrado como NVIDIA A40 PCIe. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
DDPM— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
DDPM— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.