RNAdiffusion
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
- Princeton University,Tsinghua University,Stanford University
- Type d'organisation
- Academia,Academia,Academia
- Pays
- United States of America, China
- Publié
- 15 September 2024
- Auteurs
- Kaixuan Huang, Yukang Yang, Kaidi Fu, Yanyi Chu, Le Cong, Mengdi Wang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- RNA sequence generation
- Modèle de base
- RNA-FM
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.
- Données d'entraînement
- 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
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.5 × 10¹⁹ FLOP
- Comment cela a été établi
- 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
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 H100 PCIe,NVIDIA A100
- Chips utilisés
- 1
- Temps en temps réel
- 35 hours
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
- 9
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Latent Diffusion Models for Controllable RNA Sequence Generation
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Ce que ce modèle est
RNAdiffusion a été publié par Princeton University,Tsinghua University,Stanford University, dans le pays enregistré comme United States of America, durant September 2024. Cela provient d'une organisation classée comme academia,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de rNA sequence generation.
Plutôt que d'être entraîné depuis le début, il est dérivé de RNA-FM. C'est la façon habituelle de produire un modèle spécialisé.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a nécessité un budget de calcul d'environ 2.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA H100 PCIe,NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
RNAdiffusion — questions courantes
RNAdiffusion— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de rNA sequence generation. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
RNAdiffusion— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.5 × 10¹⁹ FLOP, sur matériel enregistré comme NVIDIA H100 PCIe,NVIDIA A100. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
RNAdiffusion— 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.
RNAdiffusion— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
RNAdiffusion— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
RNAdiffusion— qui l'a créé ?
Il a été publié par Princeton University,Tsinghua University,Stanford University, basé sur United States of America, une organisation catégorisée comme academia,Academia,Academia.
RNAdiffusion— quand a-t-il été publié ?
Il a été publié dans September 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.
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.