RNA-DCGen
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
- Bangladesh University of Engineering and Technology,University of California Riverside
- Tipo de Organización
- Academia,Academia
- País
- India, United States of America
- Publicado
- 25 September 2024
- Autores
- Haz Sameen Shahgir, Md. Rownok Zahan Ratul, Md Toki Tahmid, Khondker Salman Sayeed, Atif Rahman
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 sequence generation, Protein or nucleotide language model (pLM/nLM)
- Modelo base
- BiRNA-BERT
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
- 117M
- Datos de entrenamiento
- tokens
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
- Unreleased
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
- 2
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- RNA-DCGen: Dual Constrained RNA Sequence Generation with LLM-Attack
- Última actualización
- 28 November 2025
Qué significan los números
Acerca de este modelo
RNA-DCGen fue publicado por Bangladesh University of Engineering and Technology,University of California Riverside, en el país registrado como India, durante September 2024. La organización editora está clasificada como academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de rNA sequence generation, Protein or nucleotide language model (pLM/nLM).
En lugar de ser entrenado desde cero, se deriva de BiRNA-BERT. Esa es la forma habitual en que se produce un modelo especializado.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
RNA-DCGen — preguntas comunes
RNA-DCGen— ¿Quién lo creó?
Fue publicado por Bangladesh University of Engineering and Technology,University of California Riverside, basado en India, una organización categorizada como academia,Academia.
RNA-DCGen— ¿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.
RNA-DCGen— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de rNA sequence generation, Protein or nucleotide language model (pLM/nLM). Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RNA-DCGen— ¿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.
RNA-DCGen— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
RNA-DCGen— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 117M. 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.
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.