dnaGrinder
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
- Hong Kong Polytechnic University
- Tipo de Organización
- Academia
- País
- Hong Kong
- Publicado
- 24 September 2024
- Autores
- Qihang Zhao, Chi Zhang, Weixiong Zhang
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.
- parámetros
- 63.6M
- Datos de entrenamiento
- 10,425,000,000 tokens
Main Pretraining: 69 billion Further Pretraining: 0.41 billion Total: 69 + 0.41 = 69.41 billion (6.94e10) 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
- 2.8 × 10¹⁹ FLOP
1. Hardware setup: - Initial: 8x NVIDIA H100 SXM5 (7.56e14 FLOP/s per GPU) - Further: 1x NVIDIA A800 (7.80e13 FLOP/s) 2. Training duration (calculated from steps): - Initial: 119,000 steps × (256×2314) tokens/step = 7.04e10 tokens - Further: 31,000 steps × (32×2241) tokens/step = 2.22e9 tokens 4. Final calculation: Initial: 6 × 6.36e7 params × 7.04e10 tokens = 2.68e19 FLOPs Further: 6 × 6.36e7 params × 2.22e9 tokens = 8.46e17 FLOPs Total: 2.7712964e+19
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 H100 SXM5 80GB
- Chips utilizados
- 8
- Consumo de energía
- 11.0 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
- 4
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- dnaGrinder: a lightweight and high-capacity genomic foundation model
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
dnaGrinder fue publicado por Hong Kong Polytechnic University, en el país registrado como Hong Kong, durante September 2024. La organización editora está clasificada como 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.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.8 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El conjunto de entrenamiento se ejecutó a aproximadamente 10,425,000,000 tokens de texto
Respuestas
dnaGrinder — preguntas comunes
dnaGrinder— ¿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.
dnaGrinder— ¿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.
dnaGrinder— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 63.6M. 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.
dnaGrinder— ¿Quién lo creó?
Fue publicado por Hong Kong Polytechnic University, basado en Hong Kong, una organización categorizada como academia.
dnaGrinder— ¿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.
dnaGrinder— ¿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.
dnaGrinder— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.8 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 SXM5 80GB. 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.