DeepREAD
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
- Shape Therapeutics
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 28 September 2024
- Autores
- Yue Jiang, Lina R. Bagepalli, Bora S. Banjanin, Yiannis A. Savva, Yingxin Cao, Lan Guo, Adrian W. Briggs, Brian Booth, Ronald J. Hause
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
- 201,012 tokens
112000 gRNAs *113 (sequence length)=12656000
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
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Generative Machine Learning of ADAR Substrates for Precise and Efficient RNA Editing
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
DeepREAD fue publicado por Shape Therapeutics, en el país registrado como United States of America, durante September 2024. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein or nucleotide language model (pLM/nLM).
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Cómo fue entrenado
Fue entrenado en un corpus de aproximadamente 201,012 tokens de texto
Respuestas
DeepREAD — preguntas comunes
DeepREAD— ¿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.
DeepREAD— ¿Quién lo creó?
Fue publicado por Shape Therapeutics, basado en United States of America, una organización categorizada como industry.
DeepREAD— ¿cuándo fue lanzado?
Se publicó en September 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.
DeepREAD— ¿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). Los Modelos suelen llevar más de uno de cada uno, y las etiquetas describen el propósito en lugar de los límites de capacidad.
DeepREAD— ¿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.
DeepREAD— ¿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.