Repress
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- DeepGenomics
- Type d'organisation
- Industry
- Pays
- Canada
- Publié
- 16 May 2025
- Auteurs
- Bhargav Kanuparthi, Sara E. Pour, Scott D. Findlay Omar Wagih, Jahir M. Gutierrez, Rory Gao, Jeff Wintersinger, Junru Lin, Martino Gabra, Emma Bohn, Tammy Lau, Chris Cole, Andrew Jung, Albi Celaj, Fraser Soares, Rachel Gray, Brandon Vaz, Kate Delfosse, Varun Lodaya, Sakshi Bhargava, Diane Ly, Farhan Yusuf, Ken Kron, Greg Hoffman, Shreshth Gandhi, Brendan J. Frey
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Cell Biology, RNA structure prediction, Protein-RNA binding affinity prediction
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 133M
- Données d'entraînement
- tokens
- Époques
- 60
133M
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA RTX A6000
- Chips utilisés
- 1
- Consommation d'énergie
- 323 W
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Smaller mode: Creative Commons Attribution-NonCommercial 4.0 International Public License https://github.com/deepgenomics/repress "he version of REPRESS released in this repository has 8356199 parameters"
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Sequence based prediction of cell type specific microRNA binding and mRNA degradation for therapeutic discovery
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
Ce que ce modèle est
Repress a été publié par DeepGenomics, dans le pays enregistré comme Canada, durant May 2025. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de cell Biology, RNA structure prediction, Protein-RNA binding affinity prediction.
C'est un modèle fermé : les valeurs entraînées sont restées avec ceux qui les ont produites, et il n'y a pas de version locale à exécuter.
Réponses
Repress — questions courantes
Repress— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
Repress— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 133M. 133M. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Repress— qui l'a créé ?
Il a été publié par DeepGenomics, basé sur Canada, une organisation catégorisée comme industry.
Repress— quand a-t-il été publié ?
Il a été publié dans May 2025.
Repress— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de cell Biology, RNA structure prediction, Protein-RNA binding affinity prediction. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
Repress— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.