RiNALMo
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul vostro hardware a qualsiasi dimensione. È accessibile solo attraverso il suo fornitore, e nessuna scheda grafica può cambiare questo.
In registrazione
Specifiche complete
Tutto ciò che riguarda questo modello. La maggior parte delle informazioni descrive come è stato addestrato piuttosto che come viene eseguito — un contesto utile per valutare la quantità di lavoro impiegata e come si confronta con modelli realizzati su 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 costruito 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 il valore che decide se si adatta a una determinata scheda grafica.
- Parametri
- 650M
- Dati di addestramento
- tokens
17,000,000 RNA sequences
Addestramento computazionale
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto costato l'addestramento, non di quanto velocemente il modello finito ti risponde.
- Addestramento computazionale
- 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
Il training run
Cosa è stato fisicamente necessario per addestrare: quali chip, quanti, per quanto tempo e cosa ha richiesto dalla rete elettrica.
- Hardware di addestramento
- NVIDIA A100
- Chips used
- 7
- Tempo di orologio muro
- 336 hours (14 days)
- Consumo energetico
- 5.5 kW
Come è classificato
Etichette che il dataset sorgente applica quando si monitorano modelli notevoli e quanto è fiducioso nell'entry.
- Registrare 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
Background
RiNALMo was published by University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, in Croatia, in February 2024. academia,Academia,Government is the category the publisher falls under.
It works in Biology, and is recorded as doing 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 grafica cambia ciò.
Cosa ci è voluto per costruirlo
Producing it required around 1.1 × 10²¹ FLOP of arithmetic, on NVIDIA A100, which is a statement about the training budget rather than about inference.
Risposte
RiNALMo — Domande frequenti
How many parameters does RiNALMo have?
RiNALMo ha 650M parametri. Questa cifra è il totale, ed è ciò che decide quanta memoria ha bisogno il modello — circa mezzo gigabyte per miliardo nella compressione che la maggior parte delle persone utilizza.
Who created RiNALMo?
RiNALMo was published by University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, based in Croatia, categorised as academia,Academia,Government.
When was RiNALMo released?
RiNALMo was published in February 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is RiNALMo used for?
RiNALMo works in Biology, and is recorded as handling rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction. A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
How much compute was used to train RiNALMo?
Around 1.1 × 10²¹ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run RiNALMo?
None. RiNALMo is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is RiNALMo open source?
The licensing for RiNALMo was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
L'altra direzione
Guardando la questione dall'altra parte?
Questa pagina inizia dal modello. Se possedete già una scheda e desiderate conoscere tutto ciò che può eseguire, inizia dall'hardware invece.