RNA-FM
Nincs becslés
Nincs hardver követelmény ennek a modellnek
Ez a modell súlyai nyilvánosak, de a paraméterszámokat nem tették közzé. Minden memória- és sebességszám ebből a számból indul, ezért inkább nem mutatunk semmit, mint egy hamisított becslést..
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
- Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute
- Szervezet típusa
- Academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry
- Ország
- Hong Kong, China, United States of America
- Közölt
- 8 August 2022
- Szerzők
- Jiayang Chen, Zhihang Hu, Siqi Sun, Qingxiong Tan, Yixuan Wang, Qinze Yu, Licheng Zong, Liang Hong, Jin Xiao, Tao Shen, Irwin King, Yu Li
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- RNA structure prediction
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
- tokens
23 million sequences × 1024 tokens per sequence: 23,000,000 × 1,024 = 23 × 10⁶ × 1.024 × 10³ = 2.35 × 10¹⁰ tokens
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
- 2.6 × 10²¹ FLOP
- Hogyan jött létre
- Hardware
1. Hardware setup: 8x NVIDIA A100 GPUs (3.12E14 FLOP/s per GPU) 2. Training duration: 30 days estimated (2,592,000 seconds) 3. Utilization rate: 40% 4. Calculation: 3.12E14 FLOP/s × 8 GPUs × 2,592,000 seconds × 0.4 = 2.59E21 FLOPs
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- NVIDIA A100
- Használt chipek
- 8
- Fali óra idő
- 720 hours (30 days)
- Teljesítményfogyasztás
- 6.4 kW
Elérhetőség
Hogy meg tudja-e szerezni a modellt és futtatni a saját hardverén, ez dönt arról, hogy alkalmazhatóak-e a lap ezen oldalán feltüntetett grafikus kártya adatok.
- Súlyok
- Open — downloadable
- Modell hozzáférés
- Open weights (unrestricted)
- Képzés kód
- Open source
- Hugging Face
- cuhkaih
MIT license https://github.com/ml4bio/RNA-FM Apache 2.0 https://huggingface.co/cuhkaih/rnafm
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Confident
- Hivatkozások
- 234
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- Interpretable RNA Foundation Model from Unannotated Data for Highly Accurate RNA Structure and Function Predictions
- Utoljára frissítve
- 25 May 2026
Mit jelentenek a számok
Erről a modelről
RNA-FM ki lett adva által Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute, az országban rögzítve mint Hong Kong, alatt August 2022. A kiadó szervezet a következő kategóriába tartozik academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása rNA structure prediction.
A súlyok közzétéve vannak, így letölthető és futtatható a saját hardveren határozatlan ideig, offline, felhasználói fiók nélkül. A Hugging Face-en az alábbi szervezet alatt van publikálva cuhkaih.
Hogyan lett betanítva
A betanításhoz körülbelül egy számítási költségvetés kellett 2.6 × 10²¹ FLOP, hardveren rögzítve NVIDIA A100. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
RNA-FM — gyakori kérdések
RNA-FM— Nyílt forráskódú?
Súlyai közzétételre kerültek, így letölthető és futtatható a saját hardvereden. Ne feledd, hogy az open weight nem azonos az open source teljes értelmében — nem mond semmit a tanulási adatokkal, a tanulási kóddal vagy a kereskedelmi feltételekkel kapcsolatban.
RNA-FM— Hány paramétere van?
Nincs közzétéve paraméterszám, ezért ez az oldal nem tartalmaz memóriával vagy sebességgel kapcsolatos adatokat.
RNA-FM— Ki készítette ezt?
Kiadta Chinese University of Hong Kong (CUHK),Fudan University,Shanghai AI Lab,Harbin Institute of Technology,University of Electronic Science and Technology of China,Massachusetts Institute of Technology (MIT),Harvard University,Shanghai Zelixir Biotech,CUHK Shenzhen Research Institute, alapján Hong Kong, egy szervezet, amelyet kategorizáltak mint academia,Academia,Academia,Academia,Academia,Academia,Academia,Industry.
RNA-FM— Mikor adták ki?
Kibocsátották a August 2022. A paraméterenkénti képesség lényegesen javult azóta, így egy újabb, azonos méretű modell gyakran jobb felhasználása a same hardvernek.
RNA-FM— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot rNA structure prediction. A modell több mindenből is képes cipelni, így ezek azok a területek, amelyekre épült, nem pedig egy korlát arra, amit meg fog próbálni.
RNA-FM— Hol tudom letölteni?
Súlyait a Hugging Face-en tette közzé, a szervezet alatt cuhkaih. Nem tárolunk modell fájlokat — ez az oldal kiszámolja, hogy milyen hardver szükséges a futtatásukhoz.
RNA-FM— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 2.6 × 10²¹ FLOP, hardveren rögzítve 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.
RNA-FM— Milyen GPU-ra van szükségem, hogy futtathassam?
Nem tudjuk megmondani. Nyílt súlyai vannak, de a paraméterek számát nem tették közzé, és minden memória- és sebességszámítás ebből a számból indul. Inkább nem mutatunk semmit, mint egy hamisított becslést.
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..