RiNALMo
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 of Zagreb,Genome Institute of Singapore,Bioinformatics Institute
- Tipo de Organización
- Academia,Academia,Government
- País
- Croatia, Singapore
- Publicado
- 29 February 2024
- Autores
- Rafael Josip Penić, Tin Vlašić, Roland G. Huber, Yue Wan, Mile Šikić
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- RNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction
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.
- parámetros
- 650M
- Datos de entrenamiento
- tokens
17,000,000 RNA sequences
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
- 1.1 × 10²¹ FLOP
- Cómo se estableció
- Hardware
1. Hardware: 7x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 2 weeks (directly provided) = 1,209,600 seconds 3. Utilization: 40% (0.4) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 1,209,600s × 0.4 = 1.05e21 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 A100
- Chips utilizados
- 7
- Tiempo de reloj
- 336 hours (14 days)
- Consumo de energía
- 5.5 kW
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
- 108
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction Tasks
- Última actualización
- 25 May 2026
Qué significan los números
Fondo
RiNALMo fue publicado por University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, en el país registrado como Croatia, durante February 2024. La categoría en la que se encuentra el editor es academia,Academia,Government.
Funciona en el dominio de Biology, y se registra como realizando la tarea de rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
Producirlo requirió una aritmética que totaliza alrededor de 1.1 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
RiNALMo — preguntas comunes
RiNALMo— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 650M. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
RiNALMo— ¿Quién lo creó?
Fue publicado por University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, basado en Croatia, una organización categorizada como academia,Academia,Government.
RiNALMo— ¿cuándo fue lanzado?
Se publicó en February 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.
RiNALMo— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction. 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.
RiNALMo— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 1.1 × 10²¹ FLOP, en hardware registrado como NVIDIA A100. 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.
RiNALMo— ¿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.
RiNALMo— ¿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.