DiscDiff
Nincs becslés
Nincs hardver követelmény ennek a modellnek
A modellhez tartozó súlyokat nem tették közzé, így nem tölthető le vagy futtatható a saját hardverén bármilyen méretben. Csak a szolgáltatóján keresztül érhető el, és egyetlen grafikus kártya sem változtat ezen..
Nyilvántartásban
Teljes specifikáció
Minden feljegyzett ezzel a modellel kapcsolatban. A legtöbbje azt írja le, hogyan képezték ki, nem pedig azt, hogyan fut — hasznos kontextus annak megítéléséhez, hogy mennyi munka ment bele, és hogyan viszonyul a más méretben épített modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Imperial College London
- Szervezet típusa
- Academia
- Ország
- United Kingdom of Great Britain and Northern Ireland
- Közölt
- 8 February 2024
- Szerzők
- Zehui Li, Yuhao Ni, William A V Beardall, Guoxuan Xia, Akashaditya Das, Guy-Bart Stan, Yiren Zhao
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- 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 eldöntik, hogy az adott grafikus kártyára illeszkedik-e.
- Képzési adatok
- 983,040,000 tokens
160000 examples with 2048 length (Table 1) 1.6e+5*2.0e+3=3.3e+8
Képzés számítás
A modell tanításához végrehajtott aritmetika, lebegőpontos műveletekben mérve. Ez a tanítási futás költségének mértéke, nem pedig annak, hogy mennyire gyorsan válaszol a kész modell.
- Képzés számítás
- 3.4 × 10¹⁹ FLOP
- Hogyan jött létre
- Hardware
1. Hardware setup: - VAE stage: 1x NVIDIA RTX A6000 (3.87e13 FLOP/s) - UNet stage: 1x NVIDIA A100 40GB (3.12e14 FLOP/s) 2. Training duration (provided directly): - VAE: 24 GPU-hours (86,400 seconds) - UNet: 72 GPU-hours (259,200 seconds) 3. Utilization rate: 40% for both stages 4. Calculation: VAE: 3.87e13 FLOP/s × 86,400s × 0.4 = 1.34e18 FLOPs UNet: 3.12e14 FLOP/s × 259,200s × 0.4 = 3.24e19 FLOPs Total = 1.34e18 + 3.24e19 = 3.4e19 FLOPs
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA RTX A6000,NVIDIA A100
- Használt chipek
- 2
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 21
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- DiscDiff: Latent Diffusion Model for DNA Sequence Generation
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
DiscDiff ki lett adva által Imperial College London, az országban rögzítve mint United Kingdom of Great Britain and Northern Ireland, alatt February 2024. A kiadó kategóriája alá tartozik academia.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása protein or nucleotide language model (pLM/nLM).
Súlyait soha nem tették közzé, így csak a szolgáltatóján keresztül érhető el. Nincs grafikus kártya, ami ezt megváltoztatná.
Képzés és származás
A betanításhoz körülbelül egy számítási költségvetés kellett 3.4 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA RTX A6000,NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Körülbelül egy korpuszon lett betanítva 983,040,000 szöveg tokenjei
Válaszok
DiscDiff — gyakori kérdések
DiscDiff— Nyílt forráskódú?
A licencálás sosem volt rögzítve a forrásadatainkban. Az állandóan nem megadott licencet zártnak tekintjük, mert a nem rögzített licenc nem egy megbízható.
DiscDiff— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
DiscDiff— Ki készítette ezt?
Kiadta Imperial College London, alapján United Kingdom of Great Britain and Northern Ireland, egy szervezet, amelyet kategorizáltak mint academia.
DiscDiff— Mikor adták ki?
Kibocsátották a February 2024. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
DiscDiff— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot protein or nucleotide language model (pLM/nLM). A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
DiscDiff— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 3.4 × 10¹⁹ FLOP, hardveren rögzítve NVIDIA RTX A6000,NVIDIA A100. Ez azt méri, hogy mennyibe került a modell előállítása, és semmit nem mond arról, hogy milyen gyorsan válaszol, miután betanult — a következtetési sebesség a memória sávszélességéből származik, nem az edzési költségvetésből.
DiscDiff— Milyen GPU-ra van szükségem, hogy futtathassam?
Ez egy zárt modell — a súlyait soha nem tették közzé, így nem tölthető le és nem futtatható a saját hardverén semmilyen áron. Csak a szolgáltatóján keresztül érhető el.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már van kártyád, és szeretnéd tudni, hogy mindent futtat-e, Kezdj a hardverből..