dnaGrinder
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
- Hong Kong Polytechnic University
- Organisatietype
- Academia
- Land
- Hong Kong
- Gepubliceerd
- 24 September 2024
- Auteurs
- Qihang Zhao, Chi Zhang, Weixiong Zhang
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
- 63.6M
- Training gegevens
- 10,425,000,000 tokens
Main Pretraining: 69 billion Further Pretraining: 0.41 billion Total: 69 + 0.41 = 69.41 billion (6.94e10) tokens
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
- 2.8 × 10¹⁹ FLOP
1. Hardware setup: - Initial: 8x NVIDIA H100 SXM5 (7.56e14 FLOP/s per GPU) - Further: 1x NVIDIA A800 (7.80e13 FLOP/s) 2. Training duration (calculated from steps): - Initial: 119,000 steps × (256×2314) tokens/step = 7.04e10 tokens - Further: 31,000 steps × (32×2241) tokens/step = 2.22e9 tokens 4. Final calculation: Initial: 6 × 6.36e7 params × 7.04e10 tokens = 2.68e19 FLOPs Further: 6 × 6.36e7 params × 2.22e9 tokens = 8.46e17 FLOPs Total: 2.7712964e+19
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA H100 SXM5 80GB
- Gebruikte chips
- 8
- Stroomverbruik
- 11.0 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
- 4
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- dnaGrinder: a lightweight and high-capacity genomic foundation model
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
dnaGrinder werd gepubliceerd door Hong Kong Polytechnic University, in het land geregistreerd als Hong Kong, tijdens September 2024. De publicerende organisatie is geclassificeerd als 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).
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Training en herkomst
Training kostte een rekensbudget van ongeveer 2.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. 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 10,425,000,000 tekstokens
Antwoorden
dnaGrinder — veelgestelde vragen
dnaGrinder— 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.
dnaGrinder— 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.
dnaGrinder— hoeveel parameters heeft het?
Het heeft een parameter telling van 63.6M. 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.
dnaGrinder— wie heeft het gemaakt?
Het werd gepubliceerd door Hong Kong Polytechnic University, gebaseerd op Hong Kong, een organisatie geclassificeerd als academia.
dnaGrinder— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
dnaGrinder— 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). Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
dnaGrinder— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.8 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA H100 SXM5 80GB. 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.