eFold
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Harvard Medical School,Stanford University,Columbia University,University of Strasbourg
- Szervezet típusa
- Academia,Academia,Academia,Academia
- Ország
- United States of America, France
- Kiadva
- 4 April 2024
- Szerzők
- Silvi Rouskin, Alberic de Lajart, Yves Martin des Taillades, Colin Kalicki, Federico Fuchs Wightman, Justin Aruda, Dragui Salazar, Matthew Allan, Casper L'Esperance-Kerckhoff, Alex Kashi, Fabrice Jossinet
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Biology
- Feladat
- Protein or nucleotide language model (pLM/nLM)
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Képzési adatok
- tokens
pretraining: "over 120,000 unique sequences and structures” (bpRNA + Ribonanza); "The final dataset contains 227,000 sequences up to 512 in length." (synthetic from RNAcentral + RNAstructure Fold) finetuning: "1,456 mRNA and 1,098 pri-miRNA structures" after filtering (RNAndria)
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Rögzítési bizalom
- Confident
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Diverse Database and Machine Learning Model to Narrow the Generalization Gap in RNA Structure Prediction
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Mit jelent ez a modell?
eFold was published by Harvard Medical School,Stanford University,Columbia University,University of Strasbourg, in United States of America, in April 2024. academia,Academia,Academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein or nucleotide language model (pLM/nLM).
Súlyait soha nem publikálták, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, amely ezt megváltoztatja.
Válaszok
eFold — Gyakran ismételt kérdések
What GPU do I need to run eFold?
None. eFold 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 eFold open source?
The licensing for eFold was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does eFold have?
No parameter count has been published for eFold, which is why no memory or speed figure appears on this page.
Who created eFold?
eFold was published by Harvard Medical School,Stanford University,Columbia University,University of Strasbourg, based in United States of America, categorised as academia,Academia,Academia,Academia.
When was eFold released?
eFold 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.
Mire használják az eFoldot?
eFold works in Biology, and is recorded as handling protein or nucleotide language model (pLM/nLM). These are the areas it was designed around; they describe intent rather than a hard boundary.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.