DiscDiff
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
- Imperial College London
- Tipo di organizzazione
- Academia
- Paese
- United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 8 February 2024
- Autori
- Zehui Li, Yuhao Ni, William A V Beardall, Guoxuan Xia, Akashaditya Das, Guy-Bart Stan, Yiren Zhao
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein or nucleotide language model (pLM/nLM)
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.
- Dati di addestramento
- 983,040,000 tokens
160000 examples with 2048 length (Table 1) 1.6e+5*2.0e+3=3.3e+8
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
- 3.4 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
1. Hardware setup: - VAE stage: 1x NVIDIA RTX A6000 (3.87e13 FLOP/s) - UNet stage: 1x NVIDIA A100 40GB (3.12e14 FLOP/s) 2. Training duration (provided directly): - VAE: 24 GPU-hours (86,400 seconds) - UNet: 72 GPU-hours (259,200 seconds) 3. Utilization rate: 40% for both stages 4. Calculation: VAE: 3.87e13 FLOP/s × 86,400s × 0.4 = 1.34e18 FLOPs UNet: 3.12e14 FLOP/s × 259,200s × 0.4 = 3.24e19 FLOPs Total = 1.34e18 + 3.24e19 = 3.4e19 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 RTX A6000,NVIDIA A100
- Chip utilizzati
- 2
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 21
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DiscDiff: Latent Diffusion Model for DNA Sequence Generation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
DiscDiff è stato pubblicato da Imperial College London, nel paese registrato come United Kingdom of Great Britain and Northern Ireland, durante February 2024. La categoria sotto cui rientra l'editore è academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein or nucleotide language model (pLM/nLM).
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 3.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA RTX A6000,NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
È stato addestrato su un corpus di circa 983,040,000 token di testo
Risposte
DiscDiff — domande comuni
DiscDiff— 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.
DiscDiff— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
DiscDiff— chi l'ha creato?
È stato pubblicato da Imperial College London, basato su United Kingdom of Great Britain and Northern Ireland, un'organizzazione categorizzata come academia.
DiscDiff— 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.
DiscDiff— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein or nucleotide language model (pLM/nLM). I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
DiscDiff— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 3.4 × 10¹⁹ FLOP, su hardware registrato come NVIDIA RTX A6000,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.
DiscDiff— 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.
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.