ERNIE-RNA
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
- Microsoft Research,Syngentech,Tsinghua University
- Organisatietype
- Industry,Industry,Academia
- Land
- United States of America, China
- Gepubliceerd
- 17 March 2024
- Auteurs
- Weijie Yin, Zhaoyu Zhang, Liang He, Rui Jiang, Shuo Zhang, Gan Liu, Xuegong Zhang, Tao Qin, Zhen Xie
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein or nucleotide language model (pLM/nLM)
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
- 86M
- Training gegevens
- 918,000,000 tokens
Number of sequences (20.4M) × Maximum sequence length (1024) Average assumed length ~300 20.4M*300=6120000000
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 2.1 × 10²¹ FLOP
- Hoe het werd opgericht
- Hardware
1. Hardware: 24x V100 32GB GPUs (1.30e+14 FLOPs/s per GPU) 2. Training duration: 20 days (directly provided) = 1.728e+6 seconds 3. Utilization: 40% 4. Calculation: 24 GPUs × 1.30e+14 FLOPs/s × 1.728e+6 seconds × 0.4 utilization = 2.1e+21 FLOPs
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA Tesla V100 DGXS 32 GB
- Gebruikte chips
- 24
- Kloktijd
- 480 hours (20 days)
- Stroomverbruik
- 11.9 kW
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
- Confident
- Citaties
- 20
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- ERNIE-RNA: An RNA Language Model with Structure-enhanced Representations
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Wat dit model is
ERNIE-RNA werd gepubliceerd door Microsoft Research,Syngentech,Tsinghua University, in het land geregistreerd als United States of America, tijdens March 2024. De publicerende organisatie is geclassificeerd als industry,Industry,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein or nucleotide language model (pLM/nLM).
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.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 2.1 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 918,000,000 tekstokens
Antwoorden
ERNIE-RNA — veelgestelde vragen
ERNIE-RNA— 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.
ERNIE-RNA— 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.
ERNIE-RNA— hoeveel parameters heeft het?
Het heeft een parameter telling van 86M. 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.
ERNIE-RNA— wie heeft het gemaakt?
Het werd gepubliceerd door Microsoft Research,Syngentech,Tsinghua University, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry,Academia.
ERNIE-RNA— wanneer is het uitgebracht?
Het werd gepubliceerd in March 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
ERNIE-RNA— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein or nucleotide language model (pLM/nLM). Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
ERNIE-RNA— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.1 × 10²¹ FLOP, op hardware vastgelegd als NVIDIA Tesla V100 DGXS 32 GB. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
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.