RNAdiffusion
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
- Princeton University,Tsinghua University,Stanford University
- Organisatietype
- Academia,Academia,Academia
- Land
- United States of America, China
- Gepubliceerd
- 15 September 2024
- Auteurs
- Kaixuan Huang, Yukang Yang, Kaidi Fu, Yanyi Chu, Le Cong, Mengdi Wang
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- RNA sequence generation
- Basis model
- RNA-FM
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.
- Training gegevens
- 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
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
- 2.5 × 10¹⁹ FLOP
- Hoe het werd opgericht
- 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
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 PCIe,NVIDIA A100
- Gebruikte chips
- 1
- Kloktijd
- 35 hours
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
- Citaties
- 9
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Latent Diffusion Models for Controllable RNA Sequence Generation
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Wat dit model is
RNAdiffusion werd gepubliceerd door Princeton University,Tsinghua University,Stanford University, in het land geregistreerd als United States of America, tijdens September 2024. Het komt uit een organisatie gecategoriseerd als academia,Academia,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van rNA sequence generation.
In plaats van vanaf nul te worden getraind, is het afgeleid van RNA-FM. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
Training kostte een rekensbudget van ongeveer 2.5 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA H100 PCIe,NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
RNAdiffusion — veelgestelde vragen
RNAdiffusion— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van rNA sequence generation. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
RNAdiffusion— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.5 × 10¹⁹ FLOP, op hardware vastgelegd als NVIDIA H100 PCIe,NVIDIA A100. 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.
RNAdiffusion— 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.
RNAdiffusion— 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.
RNAdiffusion— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
RNAdiffusion— wie heeft het gemaakt?
Het werd gepubliceerd door Princeton University,Tsinghua University,Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia,Academia,Academia.
RNAdiffusion— 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.
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.