Model Training · Fine-tuning · Deployment
Entraînement, Affinage et Déploiement de Modèles
Cœur de modèle auto-développé · distillation · affinage · anti-ingénierie inverse--pas d'appels d'API tiers, mais entraînement, déploiement et protection autonomes.
SELF-DEVELOPED MODELS
Matrice de Modèles Auto-développés
Six modèles centraux--couvrant la génomique, les protéines, les cellules, les voies, l'ARN et la recherche de connaissances
DiVoGenome
pLDDT 92+Genome Triple-Model Cross-Interpretation
Interprétation croisée triple-modèle du génome--fusionnant la prédiction de variants, l'annotation fonctionnelle et l'association de phénotypes, produisant des conclusions interprétables à résolution nucléotidique unique.
DiVoFold5
pLDDT 95.4Protein Structure Prediction
Modèle de prédiction de structure de protéines--distillation auto-développée sur l'architecture AlphaFold3 / Protenix, pLDDT 95.4, débit d'inférence 3.2x.
DiVoCell
10k+ cellsMulti-cell 3D Simulation
Modèle de simulation 3D multi-cellulaire--de la mécanique unicellulaire au comportement émergent au niveau tissulaire, supportant le couplage temps réel de 10k+ cellules.
DiVoSignal
Graph NNSignaling Pathway Solver
Modèle de résolution de voies de signalisation--encodant les graphes de voies en réseaux de neurones graphiques, prédisant les réponses en cascade et les cibles médicamenteuses sous perturbation.
RNALens
Fine-tunedmRNA Structure Fine-tuning
Modèle d'affinage de structure mRNA--affinage de la prédiction de structure secondaire sur la base RNA-FM, pour l'optimisation de séquences de vaccins mRNA.
Investigate Lens
RAG CoreKnowledge Base Retrieval Engine
Moteur de recherche de base de connaissances--embedding de littérature multi-modale + recherche hybride + traçabilité au niveau des citations, fournissant une base factuelle pour la couche Agent.
TRAINING PIPELINE
Pipeline d'Entraînement
Six étapes progressives--des données brutes au déploiement chiffré, chaîne complète auto-contrôlée
Préparation des Données
Nettoyage, annotation et déduplication multi-sources des données--séquences géniques, structures de protéines, corpus de littérature unifiés dans le lac de données d'entraînement.
Pré-entraînement
Pré-entraînement de fondation sur de grands corpus non annotés--apprentissage de représentations générales de séquence, structure et fonction.
Affinage
Affinage d'instructions de domaine + RLHF--alignant la fondation générale sur la génomique, les protéines, les cellules et autres tâches verticales.
Distillation
Distillation enseignant-élève--compressant les capacités des grands modèles à une taille déployable avec perte contrôlée et débit multiplié.
Quantification
Quantification INT8 / FP8 + éparsification--réduisant l'empreinte mémoire à 1/4 sans perte de performance.
Déploiement
Déploiement de conteneurs d'inférence chiffrés sur des clusters d'accélération RVDon--les modèles ne quittent jamais l'environnement de confiance, inférence as a service.
OPEN SOURCE
Stratégie Open Source des Modèles
Comme la puce, tous les modèles auto-développés sont open source--l'open source est notre capacité centrale, pas la fermeture
Modèles Auto-développés Entièrement Open Source
Comme la puce RVDon, tous nos modèles auto-développés--DiVoGenome, DiVoFold5, DiVoCell, DiVoSignal, RNALens, Investigate Lens--poids et code entièrement open source. L'open source est notre capacité centrale, pas la fermeture.
- Poids publiquement reproductibles
- Code d'entraînement ouvert
- Licence Apache 2.0
Co-Open Source Puce-Modèle
Le RTL matériel RVDon RISC-V GPGPU est open source, le code d'inférence des modèles est同步 open source--du silicium aux poids, toute la chaîne d'accélération est transparente et auditable, la communauté peut contribuer des optimisations.
- RTL open source + ISA public
- Code d'inférence同步 publié
- Communauté peut soumettre des PR
Publication de Modèles Personnalisés à la Demande
Pour les modèles adaptés au domaine personnalisés pour les clients B (ex. optimisation mRNA de tissu spécifique, néoantigènes de type de cancer spécifique), livraison au niveau du code source selon les besoins--les clients reçoivent le code source complet et les poids, pas une API boîte noire.
- Livraison au niveau code source non API
- Client possède entièrement la version personnalisée
- Auto-déploiement et développement secondaire possibles
Principe de Souveraineté des Modèles
Les modèles auto-développés sont les actifs centraux de Gen²AI. Nous ne dépendons pas des capacités boîte noire d'API tiers--chaque poids est entraîné sur notre propre calcul, chaque inférence s'exécute dans un environnement de confiance. La souveraineté des modèles signifie : capacités auditables, comportement explicable, actifs protégeables.
CROSS-LAYER
Relation avec les Autres Couches
La couche de modèles est le pivot de l'architecture à quatre couches de Gen²AI--le matériel la soutient en dessous, les Agents l'encapsulent au-dessus
Les instructions d'extension PF de RVDon accélèrent la multiplication matricielle triangulaire et Flash Attention au niveau du silicium, l'entraînement et l'inférence des modèles s'exécutent directement sur des accélérateurs auto-développés.
Voir la Couche Moteurs L1Les capacités de la couche de modèles sont encapsulées par la couche Agent comme des outils appelables--DiVoFold5, Investigate Lens servent tous de capacités backend d'Agent.
Voir la Couche Agent L3Les résultats de l'orchestration d'Agents sont livrés aux utilisateurs finaux via la couche de services de calcul--de l'inférence au rapport, de bout en bout sur le calcul propre.
Voir les Services de Calcul L4La couche moteur L1 fournit le matériel d'accélération RVDon -> la couche modèle L2 entraîne et infère dessus -> la couche Agent L3 encapsule les modèles comme outils appelables -> la couche service de calcul L4 livre les résultats aux utilisateurs. La couche de modèles est le hub de capacités--le matériel l'accélère, les Agents l'encapsulent, le calcul le distribue.
USER SCENE
Qui Ces Modèles Servent Finalement
B2B2C : Chaque modèle, via des pipelines de calcul à sec, atteint finalement ces scénarios d'utilisateur final
Construisez Vos Capacités avec des Modèles Auto-développés
Ne plus dépendre des API boîte noire tierces--de l'entraînement au déploiement, la souveraineté des modèles est entre vos mains.