DDPM
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- University Paris-Saclay,Radboud University Medical Center
- Type d'organisation
- Academia,Academia
- Pays
- France, Netherlands
- Publié
- 13 April 2024
- Auteurs
- Alice Lacan, Romain André, Michele Sebag, Blaise Hanczar
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Gene expression profile generation
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Données d'entraînement
- 9,541,304 tokens
TCGA: 6,499 × 978 = 6,356,022 GTEx: 9,796 × 974 = 9,541,304 Total: 6,356,022 + 9,541,304 = 15,897,326 ≈ 1.6e7 datapoints
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 9 × 10¹⁷ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 1x NVIDIA A40 GPU (1.50×10¹⁴ FLOP/s per GPU) 2. Training duration: 15,000 seconds (directly provided - sum of TCGA training: 3,780s and GTEx training: 11,220s) 3. Utilization rate: 40% 4. Calculation: 1.50×10¹⁴ FLOP/s × 1 GPU × 15,000s × 0.4 = 9.0×10¹⁷ FLOPs
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA A40 PCIe
- Chips utilisés
- 1
- Consommation d'énergie
- 326 W
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
- Citations
- 4
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- In Silico Generation of Gene Expression profiles using Diffusion Models
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
Where it came from
DDPM was published by University Paris-Saclay,Radboud University Medical Center, in France, in April 2024. It comes out of academia,Academia.
It works in Biology, and is recorded as doing gene expression profile generation.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Comment il a été entraîné
Producing it required around 9 × 10¹⁷ FLOP of arithmetic, on NVIDIA A40 PCIe, which is a statement about the training budget rather than about inference.
Around 9,541,304 tokens went into training it.
Réponses
DDPM — Questions fréquentes
How many parameters does DDPM have?
No parameter count has been published for DDPM, which is why no memory or speed figure appears on this page.
Who created DDPM?
DDPM was published by University Paris-Saclay,Radboud University Medical Center, based in France, categorised as academia,Academia.
When was DDPM released?
DDPM was published in April 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is DDPM used for?
DDPM works in Biology, and is recorded as handling gene expression profile generation. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train DDPM?
Around 9 × 10¹⁷ FLOP, on NVIDIA A40 PCIe. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run DDPM?
None. DDPM is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DDPM open source?
The licensing for DDPM was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.