DrugFormer
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute
- Organisatietype
- Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 29 August 2024
- Auteurs
- Xiaona Liu, Qing Wang, Minghao Zhou, Yanfei Wang, Xuefeng Wang, Xiaobo Zhou, Qianqian Song
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Drug Sensitivity Prediction
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 21.7M
- Training gegevens
- tokens
transformer encoder stack + gated aggregator linear map + classifier + gat = (3*65536+65536+256*1024+1024*256)*6 + 512*256+(2048*256)*32+33+33280
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Likely
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- DrugFormer: Graph‐Enhanced Language Model to Predict Drug Sensitivity
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Waar het vandaan kwam
DrugFormer werd gepubliceerd door University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, in het land geregistreerd als United States of America, tijdens August 2024. Het komt uit een organisatie gecategoriseerd als academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van drug Sensitivity Prediction.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Antwoorden
DrugFormer — veelgestelde vragen
DrugFormer— wie heeft het gemaakt?
Het werd gepubliceerd door University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia.
DrugFormer— wanneer is het uitgebracht?
Het werd gepubliceerd in August 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
DrugFormer— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van drug Sensitivity Prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
DrugFormer— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
DrugFormer— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
DrugFormer— hoeveel parameters heeft het?
Het heeft een parameter telling van 21.7M. transformer encoder stack + gated aggregator linear map + classifier + gat = (3*65536+65536+256*1024+1024*256)*6 + 512*256+(2048*256)*32+33+33280. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.