CodonTransformer
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
- Vector Institute,University of Toronto,Université Paris Cité
- Typ organizacji
- Academia,Academia,Academia
- Kraj
- Canada, France
- Opublikowany
- 13 September 2024
- Autorzy
- Adibvafa Fallahpour, Vincent Gureghian, Guillaume J. Filion, Ariel B. Lindner, Amir Pandi
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Biology
- Zadanie
- Codon optimization
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 89.6M
- Dane treningowe
- 45,053,865 tokens
- Epoki
- 20
"total number of parameters to 89.6 million."
1,001,197 sequences × 300 tokens/sequence = 300359100
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA V100
- Zastosowane chipy
- 16
- Pobór mocy
- 9.5 kW
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Confident
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- CodonTransformer: a multispecies codon optimizer using context-aware neural networks
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
CodonTransformer został opublikowany przez Vector Institute,University of Toronto,Université Paris Cité, w kraju zapisanym jako Canada, podczas September 2024. Organizacja publikująca jest klasyfikowana jako academia,Academia,Academia.
Działa w dziedzinie Biology, i jest zapisany jako wykonujący zadanie codon optimization.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Szkolenie i pochodzenie
Zbiór treningowy trwał około 45,053,865 Tokeny tekstu.
Odpowiedzi
CodonTransformer — częste pytania
CodonTransformer— kiedy to zostało wydane?
Zostało opublikowane w September 2024. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
CodonTransformer— do czego to służy?
Działa w dziedzinie Biology, i jest zarejestrowany jako realizujący zadanie codon optimization. Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
CodonTransformer— 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.
CodonTransformer— 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.
CodonTransformer— ile ma parametrów?
Ma liczbę parametrów równą 89.6M. "total number of parameters to 89.6 million.". 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.
CodonTransformer— kto to stworzył?
Zostało opublikowane przez Vector Institute,University of Toronto,Université Paris Cité, oparty na Canada, organizacja sklasyfikowana jako academia,Academia,Academia.
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.