DeepREAD
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
- Shape Therapeutics
- Tipo di organizzazione
- Industry
- Paese
- United States of America
- Pubblicato
- 28 September 2024
- Autori
- Yue Jiang, Lina R. Bagepalli, Bora S. Banjanin, Yiannis A. Savva, Yingxin Cao, Lan Guo, Adrian W. Briggs, Brian Booth, Ronald J. Hause
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
- 201,012 tokens
112000 gRNAs *113 (sequence length)=12656000
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Generative Machine Learning of ADAR Substrates for Precise and Efficient RNA Editing
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Sfondo
DeepREAD è stato pubblicato da Shape Therapeutics, nel paese registrato come United States of America, durante September 2024. La categoria sotto cui rientra l'editore è industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein or nucleotide language model (pLM/nLM).
Questo è un modello chiuso: i valori addestrati sono rimasti con chi li ha prodotti, e non c'è una versione locale da eseguire.
Come è stato addestrato
È stato addestrato su un corpus di circa 201,012 token di testo
Risposte
DeepREAD — domande comuni
DeepREAD— 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.
DeepREAD— chi l'ha creato?
È stato pubblicato da Shape Therapeutics, basato su United States of America, un'organizzazione categorizzata come industry.
DeepREAD— quando è stato rilasciato?
È stato pubblicato in September 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.
DeepREAD— 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.
DeepREAD— 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.
DeepREAD— 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.