RiNALMo
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 Zagreb,Genome Institute of Singapore,Bioinformatics Institute
- Tipo di organizzazione
- Academia,Academia,Government
- Paese
- Croatia, Singapore
- Pubblicato
- 29 February 2024
- Autori
- Rafael Josip Penić, Tin Vlašić, Roland G. Huber, Yue Wan, Mile Šikić
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- RNA structure prediction, RNA splice-site prediction, Mean ribosome load 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
- 650M
- Dati di addestramento
- tokens
17,000,000 RNA sequences
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 1.1 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
1. Hardware: 7x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 2 weeks (directly provided) = 1,209,600 seconds 3. Utilization: 40% (0.4) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 1,209,600s × 0.4 = 1.05e21 FLOPs
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA A100
- Chip utilizzati
- 7
- Tempo di parete
- 336 hours (14 days)
- Consumo energetico
- 5.5 kW
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 108
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction Tasks
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Sfondo
RiNALMo è stato pubblicato da University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, nel paese registrato come Croatia, durante February 2024. La categoria sotto cui rientra l'editore è academia,Academia,Government.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Cosa è stato necessario per costruirlo
La produzione di esso ha richiesto un'aritmetica totale di circa 1.1 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
RiNALMo — domande comuni
RiNALMo— quanti parametri ha?
Ha un numero di parametri di 650M. 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.
RiNALMo— chi l'ha creato?
È stato pubblicato da University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, basato su Croatia, un'organizzazione categorizzata come academia,Academia,Government.
RiNALMo— quando è stato rilasciato?
È stato pubblicato in February 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.
RiNALMo— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
RiNALMo— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 1.1 × 10²¹ FLOP, su hardware registrato come NVIDIA A100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
RiNALMo— 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.
RiNALMo— 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.
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.