ProtBERT-UniRef
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
- Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology
- Typ organizace
- Academia,Industry,Academia,Industry,Government
- Země
- Germany, United States of America, Korea (Republic of), China
- Publikováno
- 4 May 2021
- Autoři
- Ahmed Elnaggar, Michael Heinzinger, Christian Dallago, Ghalia Rehawi, Yu Wang, Llion Jones, Tom Gibbs, Tamas Feher, Christoph Angerer, Martin Steinegger, Debsindhu Bhowmik, Burkhard Rost
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Proteins, Protein or nucleotide language model (pLM/nLM)
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- parametry
- 420M
- Výcviková data
- tokens
Table 2
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
- 7.3 × 10²¹ FLOP
Table 2, two stages with different sequence lengths Stage 1: 300k steps, sequence length 512, batch size 15360 Stage 2: 100k steps, sequence length 2048, batch size 2560 6ND formula Stage 1: 6*300000*15360*512*420000000=5.9454259e+21 Stage 2: 6*100000*2560*2048*420000000=1.3212058e+21 Total: 7.2666317e+21
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v3
- Používané čipy
- 512
- Příkon
- 466.5 kW
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
- 5
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- ProtTrans:Towards Cracking the Language of Life's Code Through Self-Supervised Learning
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
Odkud to přišlo
ProtBERT-UniRef byl zveřejněn Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, v zemi zaznamenané jako Germany, během May 2021. Vychází z organizace, která je kategorizována jako academia,Industry,Academia,Industry,Government.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol proteins, Protein or nucleotide language model (pLM/nLM).
Protože váhy nejsou k dispozici, žádné z hardwarových údajů na tomto webu se na něj nevztahují.
Trénink a původ
Trenovací běh spotřeboval asi 7.3 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
ProtBERT-UniRef — běžné otázky
ProtBERT-UniRef— Kdy byl vydán?
Bylo to zveřejněno v May 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
ProtBERT-UniRef— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol proteins, Protein or nucleotide language model (pLM/nLM). Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
ProtBERT-UniRef— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 7.3 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— 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.
ProtBERT-UniRef— kolik má parametrů?
Má počet parametrů 420M. Table 2. Tato cifra je celková a rozhoduje o tom, kolik VRAM model potřebuje — přibližně půl gigabajtu na miliardu při kompresi, kterou většina lidí používá.
ProtBERT-UniRef— Kdo to vytvořil?
Bylo to publikováno společností Technical University of Munich,NVIDIA,Seoul National University,Google,Oak Ridge National Laboratory,Med AI Technology, zakládající se na Germany, organizace zařazená jako academia,Industry,Academia,Industry,Government.
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.