DrugFormer
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 29 August 2024
- Autori
- Xiaona Liu, Qing Wang, Minghao Zhou, Yanfei Wang, Xuefeng Wang, Xiaobo Zhou, Qianqian Song
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Drug Sensitivity Prediction
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 21.7M
- Dati di addestramento
- tokens
transformer encoder stack + gated aggregator linear map + classifier + gat = (3*65536+65536+256*1024+1024*256)*6 + 512*256+(2048*256)*32+33+33280
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DrugFormer: Graph‐Enhanced Language Model to Predict Drug Sensitivity
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Da dove è venuto
DrugFormer è stato pubblicato da University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, nel paese registrato come United States of America, durante August 2024. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di drug Sensitivity Prediction.
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Risposte
DrugFormer — domande comuni
DrugFormer— chi l'ha creato?
È stato pubblicato da University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
DrugFormer— quando è stato rilasciato?
È stato pubblicato in August 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
DrugFormer— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di drug Sensitivity Prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DrugFormer— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
DrugFormer— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
DrugFormer— quanti parametri ha?
Ha un numero di parametri di 21.7M. transformer encoder stack + gated aggregator linear map + classifier + gat = (3*65536+65536+256*1024+1024*256)*6 + 512*256+(2048*256)*32+33+33280. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.