DrugFormer
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 29 August 2024
- Autorzy
- Xiaona Liu, Qing Wang, Minghao Zhou, Yanfei Wang, Xuefeng Wang, Xiaobo Zhou, Qianqian Song
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Drug Sensitivity Prediction
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 21.7M
- Dane treningowe
- 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
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Likely
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DrugFormer: Graph‐Enhanced Language Model to Predict Drug Sensitivity
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Skąd to pochodzi
DrugFormer został opublikowany przez University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, w kraju zapisanym jako United States of America, podczas August 2024. Wychodzi z organizacji zaklasyfikowanej jako academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie drug Sensitivity Prediction.
To jest model zamknięty: wytrenowane wartości pozostały u tego, kto je wyprodukował, a lokalna wersja do uruchomienia nie istnieje.
Odpowiedzi
DrugFormer — częste pytania
DrugFormer— kto to stworzył?
Zostało opublikowane przez University of Florida,University of Texas Health Science Center,H. Lee Moffitt Cancer Center and Research Institute, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
DrugFormer— kiedy to zostało wydane?
Zostało opublikowane w August 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
DrugFormer— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie drug Sensitivity Prediction. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DrugFormer— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
DrugFormer— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
DrugFormer— ile ma parametrów?
Ma liczbę parametrów równą 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. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.