CPDiffusion
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti pro tento model nebyly zveřejněny, takže jej nelze stáhnout ani spustit na vlastním hardwaru v žádné velikosti. Je dostupný pouze prostřednictvím svého poskytovatele, a žádná změna grafické karty to nezmění..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab
- Typ organizace
- Academia,Academia,Academia,Academia
- Země
- China, Australia, United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 10 September 2024
- Autoři
- Bingxin Zhou, Lirong Zheng, Banghao Wu, Kai Yi, Bozitao Zhong, Yang Tan, Qian Liu, Pietro Liò, Liang Hong
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Protein design
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 4M
- Výcviková data
- 6,207,900 tokens
CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures.
CATH: 20,000 × 250 = 5,000,000 pAgo: 694 × 800 = 555,200 Total: 5,000,000 + 555,200 = 5,555,200 ≈ 5.6 × 10^6 datapoints
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Confident
- Citace
- 1
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- A conditional protein diffusion model generates artificial programmable endonuclease sequences with enhanced activity
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
CPDiffusion byl zveřejněn Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, v zemi zaznamenané jako China, během September 2024. Vychází z organizace, která je kategorizována jako academia,Academia,Academia,Academia.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein design.
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Bylo to trénováno na korpusu asi 6,207,900 tokeny textu
Odpovědi
CPDiffusion — běžné otázky
CPDiffusion— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein design. Modely často obsahují více než jeden z každého a štítky popisují účel spíše než omezení schopností.
CPDiffusion— Jakou GPU potřebuji k jejímu spuštění?
Žádné. Toto je uzavřený model — jeho váhy nikdy nebyly zveřejněny, takže jej nelze stáhnout nebo spustit na vlastním hardwaru za žádnou cenu. Je dostupný pouze prostřednictvím jeho poskytovatele.
CPDiffusion— Je to OPEN SOURCE?
Licencování nikdy nebylo zaznamenáno v našich zdrojových datech. Neuváděné licencování považujeme za uzavřené, protože nezaznamenaná licence není na kterou by se dalo spoléhat.
CPDiffusion— kolik má parametrů?
Má počet parametrů 4M. CPDiffusion trains a denoising diffusion model with 4 million learnable parameters from natural protein structures. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
CPDiffusion— Kdo to vytvořil?
Bylo to publikováno společností Shanghai Jiao Tong University,University of New South Wales,University of Cambridge,Shanghai AI Lab, zakládající se na China, organizace zařazená jako academia,Academia,Academia,Academia.
CPDiffusion— Kdy byl vydán?
Bylo to zveřejněno v September 2024. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.