AlphaGenome
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
- Google DeepMind
- Szervezet típusa
- Industry
- Ország
- United States of America
- Közölt
- 25 June 2025
- Szerzők
- Žiga Avsec, Natasha Latysheva, Jun Cheng, Guido Novati, Kyle R. Taylor, Tom Ward, Clare Bycroft, Lauren Nicolaisen, Eirini Arvaniti, Joshua Pan, Raina Thomas, Vincent Dutordoir, Matteo Perino, Soham De, Alexander Karollus, Adam Gayoso, Toby Sargeant, Anne Mottram, Lai Hong Wong, Pavol Drotár, Adam Kosiorek, Andrew Senior, Richard Tanburn, Taylor Applebaum, Souradeep Basu, Demis Hassabis, Pushmeet …
Mit csinál
A probléma területek, amelyekre a modell készült. Egy modell több mindegyikből hordozhat.
- Tartomány
- Biology
- Feladat
- Gene expression enhancement, Gene expression profile generation, Molecular property prediction, Mutation prediction, Protein-DNA binding prediction, Transcriptomic prediction, 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.
- Paraméterek
- 450M
- Képzési adatok
- tokens
" AlphaGenome has approximately 450 million trainable parameters (20% in the encoder, 28% in the sequence transformer, 15% in the pairwise blocks, 25% in the decoder, and 12% in the output embedding and prediction heads)"
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
- 1.4 × 10²² FLOP
- Hogyan jött létre
- Hardware
Pre-training: "Each gradient step processed a batch size of 64 samples using 8-way sequence parallelism, requiring 512 TPUv3 cores, with pre-training runs typically completing in approximately 4 hours." "Distillation using many teacher models (e.g., 64; orange crosses)" 123000000000000 FLOP / TPUv3 chip / sec * (512 TPUv3 cores / 2) * 4 hours * 3600 sec / hour * 0.3 [assumed utilization] * 64 training runs ["Likely" confidence] = 8.7058022e+21 FLOP Distillation: "Distillation training was per…
A tréning futás
Ami fizikailag szükséges volt a betanításhoz: mely chipek, hány, mennyi ideig, és ez mit fogyasztott a falból.
- Képzési hardver
- Google TPU v3,NVIDIA H100 SXM5 80GB
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
- Closed — provider access only
- Modell hozzáférés
- API access
- Képzés kód
- Unreleased
"To advance scientific research, we’re making AlphaGenome available in preview via our AlphaGenome API for non-commercial research, and planning to release the model in the future."
Hogyan van besorolva
Címkék a forráshalmazra, amelyeket a figyelemre méltó modellek nyomon követésekor alkalmaznak, és hogy mennyire biztos az adatbevitelben.
- Nyilvántartási bizalom
- Likely
Források
Honnan származik ez a felvétel és mikor ellenőrizték utoljára.
- Referencia
- AlphaGenome: advancing regulatory variant effect prediction with a unified DNA sequence model
- Utoljára frissítve
- 28 November 2025
Mit jelentenek a számok
Honnan jött
AlphaGenome ki lett adva által Google DeepMind, az országban rögzítve mint United States of America, alatt June 2025. A kiadó szervezet a következő kategóriába tartozik industry.
Működik a területen a Biology, és úgy van rögzítve, mint a feladat végrehajtása gene expression enhancement, Gene expression profile generation, Molecular property prediction, Mutation prediction, Protein-DNA binding prediction, Transcriptomic prediction, RNA structure prediction.
Mivel a súlyok nem elérhetők, ezért ezen az oldalon máshol található hardveradatok egyike sem vonatkozik rá.
Képzés és származás
A képzés futás körülbelül 1.4 × 10²² FLOP, hardveren rögzítve Google TPU v3,NVIDIA H100 SXM5 80GB. Ez a szám azt méri, hogy mennyibe került a modell előállítása, és nincs hatással arra, hogy milyen gyorsan válaszol.
Válaszok
AlphaGenome — gyakori kérdések
AlphaGenome— Nyílt forráskódú?
Nem. A súlyai nincsenek közzétéve, így csak a tulajdonosa által ellenőrzött szolgáltatásként létezik.
AlphaGenome— Hány paramétere van?
Paraméterszáma 450M. " AlphaGenome has approximately 450 million trainable parameters (20% in the encoder, 28% in the sequence transformer, 15% in the pairwise blocks, 25% in the decoder, and 12% in the output embedding and prediction heads)". Ez a szám a teljes összeg, és ez határozza meg, hogy mennyi VRAM-ra van szüksége a modelleknek — körülbelül fél gigabájt milliárdonként a legtöbb ember által használt tömörítési módban.
AlphaGenome— Ki készítette ezt?
Kiadta Google DeepMind, alapján United States of America, egy szervezet, amelyet kategorizáltak mint industry.
AlphaGenome— Mikor adták ki?
Kibocsátották a June 2025.
AlphaGenome— Mire használják?
Működik a területen a Biology, és rögzítve van, hogy kezeli a feladatot gene expression enhancement, Gene expression profile generation, Molecular property prediction, Mutation prediction, Protein-DNA binding prediction, Transcriptomic prediction, RNA structure prediction. A modellek gyakran több mint egyet hordoznak mindegyikből, és a címkék a célra, nem pedig a képességek határaira utalnak.
AlphaGenome— mennyi számítási kapacitást használtak annak a betanításához?
A képzés körülbelül elfogyasztott 1.4 × 10²² FLOP, hardveren rögzítve Google TPU v3,NVIDIA H100 SXM5 80GB. 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.
AlphaGenome— 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..