DiscDiff
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
- Imperial College London
- Typ organizacji
- Academia
- Kraj
- United Kingdom of Great Britain and Northern Ireland
- Opublikowany
- 8 February 2024
- Autorzy
- Zehui Li, Yuhao Ni, William A V Beardall, Guoxuan Xia, Akashaditya Das, Guy-Bart Stan, Yiren Zhao
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Protein or nucleotide language model (pLM/nLM)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- Dane treningowe
- 983,040,000 tokens
160000 examples with 2048 length (Table 1) 1.6e+5*2.0e+3=3.3e+8
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
- 3.4 × 10¹⁹ FLOP
- Jak to zostało ustalone
- Hardware
1. Hardware setup: - VAE stage: 1x NVIDIA RTX A6000 (3.87e13 FLOP/s) - UNet stage: 1x NVIDIA A100 40GB (3.12e14 FLOP/s) 2. Training duration (provided directly): - VAE: 24 GPU-hours (86,400 seconds) - UNet: 72 GPU-hours (259,200 seconds) 3. Utilization rate: 40% for both stages 4. Calculation: VAE: 3.87e13 FLOP/s × 86,400s × 0.4 = 1.34e18 FLOPs UNet: 3.12e14 FLOP/s × 259,200s × 0.4 = 3.24e19 FLOPs Total = 1.34e18 + 3.24e19 = 3.4e19 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 RTX A6000,NVIDIA A100
- Zastosowane chipy
- 2
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
- Cytaty
- 21
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- DiscDiff: Latent Diffusion Model for DNA Sequence Generation
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
DiscDiff został opublikowany przez Imperial College London, w kraju zapisanym jako United Kingdom of Great Britain and Northern Ireland, podczas February 2024. Kategoria, do której należy wydawca, to academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie protein or nucleotide language model (pLM/nLM).
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Szkolenie i pochodzenie
Trenowanie zajęło budżet obliczeniowy wynoszący około 3.4 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000,NVIDIA A100. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Został wytrenowany na korpusie około 983,040,000 Tokeny tekstu.
Odpowiedzi
DiscDiff — częste pytania
DiscDiff— 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.
DiscDiff— ile ma parametrów?
Nie opublikowano liczby parametrów, dlatego na tej stronie nie pojawia się żaden wskaźnik pamięci ani prędkości.
DiscDiff— kto to stworzył?
Zostało opublikowane przez Imperial College London, oparty na United Kingdom of Great Britain and Northern Ireland, organizacja sklasyfikowana jako academia.
DiscDiff— 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.
DiscDiff— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie protein or nucleotide language model (pLM/nLM). Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
DiscDiff— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 3.4 × 10¹⁹ FLOP, na sprzęcie zarejestrowanym jako NVIDIA RTX A6000,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.
DiscDiff— 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.
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.