MLDD3UTRmRRNAS
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
- Ginkgo Bioworks
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 7 October 2024
- Auteurs
- Alyssa Kramer Morrow, Ashley Thornal, Elise Duboscq Flynn, Emily Hoelzli, Meimei Shan, Gorkem Garipler, Rory Kirchner, Aniketh Janardhan Reddy, Sophia Tabchouri, Ankit Gupta, Jean-Baptiste Michel, Uri Laserson
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein or nucleotide language model (pLM/nLM), Nucleotide generation
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
- 44M
- Données d'entraînement
- tokens
TOKENS = 113,000 × 164 = 18532000
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 A100
- Chips utilisés
- 1
- Consommation d'énergie
- 433 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
- API access
- Code d'entraînement
- Unreleased
"we’re making our generative model used for 3’ UTR design trained on genomic 3’ UTRs available via our API for $0.18 per 1M tokens." https://biopharma.ginkgo.bio/resources/white-papers/engineering-stable-mrna-insights-from-ml-driven-design-of-3-utrs
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
- Likely
- Citations
- 6
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- ML-driven design of 3’ UTRs for mRNA stability
- Dernière mise à jour
- 1 January 2026
Ce que les chiffres signifient
D'où cela vient-il
MLDD3UTRmRRNAS a été publié par Ginkgo Bioworks, dans le pays enregistré comme United States of America, durant October 2024. L'organisation de publication est catégorisée comme industry.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein or nucleotide language model (pLM/nLM), Nucleotide generation.
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
MLDD3UTRmRRNAS — questions courantes
MLDD3UTRmRRNAS— qui l'a créé ?
Il a été publié par Ginkgo Bioworks, basé sur United States of America, une organisation catégorisée comme industry.
MLDD3UTRmRRNAS— quand a-t-il été publié ?
Il a été publié dans October 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
MLDD3UTRmRRNAS— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein or nucleotide language model (pLM/nLM), Nucleotide generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
MLDD3UTRmRRNAS— 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.
MLDD3UTRmRRNAS— 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.
MLDD3UTRmRRNAS— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 44M. 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.
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.