RiNALMo
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 Zagreb,Genome Institute of Singapore,Bioinformatics Institute
- Typ organizacji
- Academia,Academia,Government
- Kraj
- Croatia, Singapore
- Opublikowany
- 29 February 2024
- Autorzy
- Rafael Josip Penić, Tin Vlašić, Roland G. Huber, Yue Wan, Mile Šikić
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- RNA structure prediction, RNA splice-site prediction, Mean ribosome load 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
- 650M
- Dane treningowe
- tokens
17,000,000 RNA sequences
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 1.1 × 10²¹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware: 7x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 2 weeks (directly provided) = 1,209,600 seconds 3. Utilization: 40% (0.4) 4. Calculation: 3.12e14 FLOP/s × 7 GPUs × 1,209,600s × 0.4 = 1.05e21 FLOPs
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA A100
- Zastosowane chipy
- 7
- Czas rzeczywisty
- 336 hours (14 days)
- Pobór mocy
- 5.5 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 108
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- RiNALMo: General-Purpose RNA Language Models Can Generalize Well on Structure Prediction Tasks
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
Tło
RiNALMo został opublikowany przez University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, w kraju zapisanym jako Croatia, podczas February 2024. Kategoria, do której należy wydawca, to academia,Academia,Government.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Co poszło w budowę tego
Wytworzenie tego wymagało arytmetyki sumującej około 1.1 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Odpowiedzi
RiNALMo — częste pytania
RiNALMo— ile ma parametrów?
Ma liczbę parametrów równą 650M. 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.
RiNALMo— kto to stworzył?
Zostało opublikowane przez University of Zagreb,Genome Institute of Singapore,Bioinformatics Institute, oparty na Croatia, organizacja sklasyfikowana jako academia,Academia,Government.
RiNALMo— kiedy to zostało wydane?
Zostało opublikowane w February 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
RiNALMo— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie rNA structure prediction, RNA splice-site prediction, Mean ribosome load prediction. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
RiNALMo— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 1.1 × 10²¹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA A100. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
RiNALMo— 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.
RiNALMo— 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.
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.