RNAdiffusion
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
- Princeton University,Tsinghua University,Stanford University
- Tipo de Organización
- Academia,Academia,Academia
- País
- United States of America, China
- Publicado
- 15 September 2024
- Autores
- Kaixuan Huang, Yukang Yang, Kaidi Fu, Yanyi Chu, Le Cong, Mengdi Wang
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
- Modelo base
- RNA-FM
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
Diffusion part: 1.1M sequences. 205k UTR sequences Reward model: 101k sequences Total: 1100000+205000+101000=1406000 sequences Assuming average token length of 300: 1406000*300=421800000
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
- 2.5 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
Autoencoder: 8.5h per epoch on single H100, 2 epochs total Diffusion model: 3.5h per epoch on single H100, 3 epochs total Reward model: 7h on a single A100 Total training time: 2*8.5+3*3.5+7=34.5 Compute: ((2*8.5+3*3.5)*756000000000000+7*312000000000000)*60*60*0.3=2.481192e+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 PCIe,NVIDIA A100
- Chips utilizados
- 1
- Tiempo de reloj
- 35 hours
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
- Likely
- Citas
- 9
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Latent Diffusion Models for Controllable RNA Sequence Generation
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
RNAdiffusion fue publicado por Princeton University,Tsinghua University,Stanford University, en el país registrado como United States of America, durante September 2024. Sale de una organización categorizada como academia,Academia,Academia.
Funciona en el dominio de Biology, y se registra como realizando la tarea de rNA sequence generation.
En lugar de ser entrenado desde cero, se deriva de RNA-FM. 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.
Entrenamiento y procedencia
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 PCIe,NVIDIA A100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
RNAdiffusion — preguntas comunes
RNAdiffusion— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de rNA sequence generation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
RNAdiffusion— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.5 × 10¹⁹ FLOP, en hardware registrado como NVIDIA H100 PCIe,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.
RNAdiffusion— ¿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.
RNAdiffusion— ¿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.
RNAdiffusion— ¿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.
RNAdiffusion— ¿Quién lo creó?
Fue publicado por Princeton University,Tsinghua University,Stanford University, basado en United States of America, una organización categorizada como academia,Academia,Academia.
RNAdiffusion— ¿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.
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.