RNADiffFold
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
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
- Hangzhou Institute of Medicine,Zhejiang University (ZJU),University of Chinese Academy of Sciences
- Tipo di organizzazione
- Academia,Academia
- Paese
- China
- Pubblicato
- 13 October 2024
- Autori
- Zhen Wang, Yizhen Feng, Qingwen Tian, Ziqi Liu, Pengju Yan, Xiaolin Li
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
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
- tokens
- Epoche
- 400
RNAStrAlign (30,451) + bpRNA TR0 (102,318) + Mutate-seq (2,717) = 135,486 unique sequences 30,451 + 102,318 + 2,717 = 135,486 Final result: 135,486 (1.35e5)
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.
- Come è stato stabilito
- Hardware
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 A40 PCIe
- Chip utilizzati
- 1
- Consumo energetico
- 325 W
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
The code to reproduce our experiments and source data is available at https://github.com/HIM-AIM/RNADiffFold under an MIT License.
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 10
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- RNADiffFold: Generative RNA Secondary Structure Prediction using Discrete Diffusion Models
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Informazioni su questo modello
RNADiffFold è stato pubblicato da Hangzhou Institute of Medicine,Zhejiang University (ZJU),University of Chinese Academy of Sciences, nel paese registrato come China, durante October 2024. Esce da un'organizzazione categorizzata come academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di rNA structure prediction.
I pesi aperti sono ciò che mette questa pagina nel calcolatore piuttosto che solo nel catalogo: è un modello che puoi effettivamente tenere.
Risposte
RNADiffFold — domande comuni
RNADiffFold— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
RNADiffFold— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
RNADiffFold— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
RNADiffFold— 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.
RNADiffFold— chi l'ha creato?
È stato pubblicato da Hangzhou Institute of Medicine,Zhejiang University (ZJU),University of Chinese Academy of Sciences, basato su China, un'organizzazione categorizzata come academia,Academia.
RNADiffFold— quando è stato rilasciato?
È stato pubblicato in October 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.
RNADiffFold— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di rNA structure prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
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.