EquiDock
Žádný odhad
Žádné hardwareové požadavky na tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů nebyl pro něj zveřejněn. Každé číslo týkající se paměti a rychlosti začíná právě tímto číslem, a proto bychom raději nezobrazovali nic než vymyšlený odhad.
Záznam.
Plná specifikace
Všechno zaznamenané k tomuto modelu. Většina z toho popisuje, jak byl trénován, nikoli jak běží — užitečný kontext pro posouzení, kolik práce do něj bylo vloženo, a jak se srovnává s modely postavenými na jinou škálu.
Původ
Kdo vybudoval tento model, kde a kdy byl publikován.
- Organizace
- Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent
- Typ organizace
- Academia,Academia,Industry
- Země
- United States of America, Switzerland, China
- Publikováno
- 15 November 2021
- Autoři
- Octavian-Eugen Ganea, Xinyuan Huang, Charlotte Bunne, Yatao Bian, Regina Barzilay, Tommi Jaakkola, Andreas Krause
Co to dělá
Problémové oblasti, pro které byl model vyvinut. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Proteins
Velikost
Jak velký je model a na kolik dat byl vytrénován. Parametry jsou číslo, které rozhoduje o tom, zda se vejde na danou grafickou kartu.
- Tréninková data
- 39,938 tokens
- Epochy
- 30
DIPS Dataset: 39,937 protein pairs Total data points = 39,937 = 3.9937e4
Výpočet trénování
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál trénink, nikoli jak rychle hotový model na vás odpovídá.
- Výpočet trénování
- 1.1 × 10¹⁹ FLOP
- Jak bylo založeno
- Hardware
Training details here: https://docs.nvidia.com/bionemo-framework/latest/models/equidock.html 32 A100s can do 30 epochs per hour on the DIPS dataset. Equidock was trained on 30 epochs on DIPS and 150 epochs on DB5.5. DIPS is about 100x bigger, so the large majority of compute was DIPS. 32 A100-hours = 312 teraflops * 32 * 3600 * 0.3 ~= 1.08e19
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se na tuto stránku vztahují jakákoliv čísla grafických karet.
- Váhy
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
Jak je klasifikováno
Labely, které se na zdrojovém datovém souboru používají při sledování významných modelů, a jak moc si je jistý touto položkou.
- Záznam důvěry
- Likely
- Citace
- 171
Zdroje
Odkud tento záznam pochází a kdy byl naposled zkontrolován.
- Odkaz
- Independent SE(3)-Equivariant Models for End-to-End Rigid Protein Docking
- Naposledy aktualizováno
- 25 May 2026
Co čísla znamenají
Odkud to přišlo
EquiDock was published by Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent, in United States of America, in November 2021. The organisation is categorised as academia,Academia,Industry.
It works in Biology, and is recorded as doing proteins.
The weights are published, so it can be downloaded and run on your own hardware indefinitely, offline, with no account attached.
Jak byla trénována
Producing it required around 1.1 × 10¹⁹ FLOP of arithmetic, which is a statement about the training budget rather than about inference.
It was trained on about 39,938 tokens of text.
Odpovědi
EquiDock — Časté dotazy
Who created EquiDock?
EquiDock was published by Massachusetts Institute of Technology (MIT),ETH Zurich,Tencent, based in United States of America, categorised as academia,Academia,Industry.
When was EquiDock released?
EquiDock was published in November 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is EquiDock used for?
EquiDock works in Biology, and is recorded as handling proteins. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download EquiDock?
The weights for EquiDock are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
How much compute was used to train EquiDock?
Around 1.1 × 10¹⁹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run EquiDock?
We cannot say. EquiDock has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is EquiDock open source?
Its weights are published, so EquiDock can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does EquiDock have?
No parameter count has been published for EquiDock, which is why no memory or speed figure appears on this page.
Druhý směr
Když se na to podíváte z druhé strany?
Tato stránka začíná modelem. Pokud již vlastníte kartu a chcete vědět, co vše bude schopna spustit, Začněte raději od hardwaru.