RNAdiffusion
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
- Princeton University,Tsinghua University,Stanford University
- Tipo di organizzazione
- Academia,Academia,Academia
- Paese
- United States of America, China
- Pubblicato
- 15 September 2024
- Autori
- Kaixuan Huang, Yukang Yang, Kaidi Fu, Yanyi Chu, Le Cong, Mengdi Wang
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- RNA sequence generation
- Modello di base
- RNA-FM
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
Diffusion part: 1.1M sequences. 205k UTR sequences Reward model: 101k sequences Total: 1100000+205000+101000=1406000 sequences Assuming average token length of 300: 1406000*300=421800000
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
- 2.5 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
Autoencoder: 8.5h per epoch on single H100, 2 epochs total Diffusion model: 3.5h per epoch on single H100, 3 epochs total Reward model: 7h on a single A100 Total training time: 2*8.5+3*3.5+7=34.5 Compute: ((2*8.5+3*3.5)*756000000000000+7*312000000000000)*60*60*0.3=2.481192e+19
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 H100 PCIe,NVIDIA A100
- Chip utilizzati
- 1
- Tempo di parete
- 35 hours
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- Citazioni
- 9
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Latent Diffusion Models for Controllable RNA Sequence Generation
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Cosa è questo modello
RNAdiffusion è stato pubblicato da Princeton University,Tsinghua University,Stanford University, nel paese registrato come United States of America, durante September 2024. Esce da un'organizzazione categorizzata come academia,Academia,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di rNA sequence generation.
Invece di essere addestrato da zero, è derivato da RNA-FM. Quello è il modo abituale in cui viene prodotto un modello specializzato.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Addestramento e provenienza
Il training ha richiesto un budget di calcolo di circa 2.5 × 10¹⁹ FLOP, su hardware registrato come NVIDIA H100 PCIe,NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
RNAdiffusion — domande comuni
RNAdiffusion— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di rNA sequence generation. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
RNAdiffusion— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.5 × 10¹⁹ FLOP, su hardware registrato come NVIDIA H100 PCIe,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.
RNAdiffusion— 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.
RNAdiffusion— 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.
RNAdiffusion— 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.
RNAdiffusion— chi l'ha creato?
È stato pubblicato da Princeton University,Tsinghua University,Stanford University, basato su United States of America, un'organizzazione categorizzata come academia,Academia,Academia.
RNAdiffusion— 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.
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.