RiNALMo
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 of Zagreb,Genome Institute of Singapore,Bioinformatics Institute
- Type d'organisation
- Academia,Academia,Government
- Pays
- Croatia, Singapore
- Publié
- 29 February 2024
- Auteurs
- Rafael Josip Penić, Tin Vlašić, Roland G. Huber, Yue Wan, Mile Šikić
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
- RNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction
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.
- Paramètres
- 650M
- Données d'entraînement
- tokens
17,000,000 RNA sequences
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
- 1.1 × 10²¹ FLOP
- Comment cela a été établi
- Hardware
1. Hardware: 7x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 2 weeks (directly provided) = 1,209,600 seconds 3. Utilization: 40% (0.4) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 1,209,600s × 0.4 = 1.05e21 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 A100
- Chips utilisés
- 7
- Wall-clock time
- 336 hours (14 days)
- Consommation d'énergie
- 5.5 kW
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
- 108
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction Tasks
- Dernière mise à jour
- 25 May 2026
Ce que signifient les chiffres
Background
RiNALMo was published by University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, in Croatia, in February 2024. academia,Academia,Government is the category the publisher falls under.
It works in Biology, and is recorded as doing rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Ce qui a contribué à sa construction
Producing it required around 1.1 × 10²¹ FLOP of arithmetic, on NVIDIA A100, which is a statement about the training budget rather than about inference.
Réponses
RiNALMo — Questions fréquentes
How many parameters does RiNALMo have?
RiNALMo has 650M parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created RiNALMo?
RiNALMo was published by University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, based in Croatia, categorised as academia,Academia,Government.
When was RiNALMo released?
RiNALMo was published in February 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 RiNALMo used for?
RiNALMo works in Biology, and is recorded as handling rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction. 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 RiNALMo?
Around 1.1 × 10²¹ FLOP, on NVIDIA A100. 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 RiNALMo?
None. RiNALMo 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 RiNALMo open source?
The licensing for RiNALMo 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.