DNA Fine-Tuned Language Model (DFLM)
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
- Tongji University
- Tipo de Organización
- Academia
- País
- China
- Publicado
- 2 January 2023
- Autores
- Ying He , Qinhu Zhang , Siguo Wang , Zhanheng Chen , Zhen Cui , Zhen-Hao Guo, and De-Shuang Huang
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Protein or nucleotide language model (pLM/nLM)
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
- tokens
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
- 3.5 × 10¹⁸ FLOP
- Cómo se estableció
- Hardware
"The pre-training of Human genome language model is resource-intensive (about 7-10 days on 2 NVIDIA TITAN X GPU)." Assuming FP32 and 30% utilization Estimate: (10*24*3600) s * 6.7e12 FLOP/s * 2 * 0.3 = 3.5e18
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 TITAN Xp
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
MIT for code. not sure there are weights here? https://github.com/Deep-Bioinfo/DFLM
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
- 7
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Predicting the Sequence Specificities of DNA-Binding Proteins by DNA Fine-Tuned Language Model With Decaying Learning Rates
- Última actualización
- 11 February 2026
Qué significan los números
Qué es este modelo
DNA Fine-Tuned Language Model (DFLM) fue publicado por Tongji University, en el país registrado como China, durante January 2023. La categoría en la que se encuentra el editor es academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
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.
Cómo fue entrenado
Producirlo requirió una aritmética que totaliza alrededor de 3.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA TITAN Xp. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
DNA Fine-Tuned Language Model (DFLM) — preguntas comunes
DNA Fine-Tuned Language Model (DFLM)— ¿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.
DNA Fine-Tuned Language Model (DFLM)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
DNA Fine-Tuned Language Model (DFLM)— ¿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.
DNA Fine-Tuned Language Model (DFLM)— ¿Quién lo creó?
Fue publicado por Tongji University, basado en China, una organización categorizada como academia.
DNA Fine-Tuned Language Model (DFLM)— ¿cuándo fue lanzado?
Se publicó en January 2023. 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.
DNA Fine-Tuned Language Model (DFLM)— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein or nucleotide language model (pLM/nLM). Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
DNA Fine-Tuned Language Model (DFLM)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.5 × 10¹⁸ FLOP, en hardware registrado como NVIDIA TITAN Xp. 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.
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.