ESMFlow
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
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
- Massachusetts Institute of Technology (MIT)
- Typ organizace
- Academia
- Země
- United States of America
- Publikováno
- 2 September 2024
- Autoři
- Bowen Jing, Bonnie Berger, Tommi Jaakkola
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Protein folding prediction
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 552,960,000 tokens
ESMFLOW: 720K × 256 = 184,320,000 27K × 256 = 6,912,000 Total: 184,320,000 + 6,912,000 = 191,232,000
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 7.6 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Reported
1. Hardware setup: 8x NVIDIA A100 GPUs, 3.12e+14 FLOP/s per GPU 2. Training duration: 371 hours (267h AlphaFLOW + 104h ESMFLOW) = 1,335,600 seconds 3. Utilization rate: 40% 4. Final calculation: 8 GPUs × 3.12e+14 FLOP/s × 1,335,600s × 0.4 = 1.34e+21 FLOPs ESMFlow training time, table 2 104+37+5+34+9+23=212 212hours*8*3.12e14*0.4=761978880000000000000
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA A100
- Používané čipy
- 8
- Příkon
- 6.3 kW
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Open source
MIT license https://github.com/bjing2016/alphaflow
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
- 237
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- AlphaFold Meets Flow Matching for Generating Protein Ensembles
- Nap poslední aktualizace
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
ESMFlow byl zveřejněn Massachusetts Institute of Technology (MIT), v zemi zaznamenané jako United States of America, během September 2024. Kategorie, do které vydavatel spadá, je academia.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein folding prediction.
Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.
Co bylo zapotřebí k jeho vybudování
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 7.6 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Bylo to trénováno na korpusu asi 552,960,000 tokeny textu
Odpovědi
ESMFlow — běžné otázky
ESMFlow— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein folding prediction. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
ESMFlow— kde si to mohu stáhnout?
Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.
ESMFlow— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 7.6 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA A100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
ESMFlow— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
ESMFlow— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
ESMFlow— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
ESMFlow— Kdo to vytvořil?
Bylo to publikováno společností Massachusetts Institute of Technology (MIT), zakládající se na United States of America, organizace zařazená jako academia.
ESMFlow— 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.