BADGER
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- NVIDIA,University of California (UC) Berkeley
- Organisationsart
- Industry,Academia
- Land
- United States of America
- Veröffentlicht
- 24 June 2024
- Autoren
- Yue Jian, Curtis Wu, Danny Reidenbach, Aditi S. Krishnapriyan
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Drug discovery
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Parameter
- 2.9M
- Trainingsdaten
- 100,100 tokens
- Epochen
- 20
2.9M transformer model
100,000 (training) + 100 (testing) = 100,100 unique datapoints 20 epochs mentioned but only unique datapoints counted Final estimate: 1.0e5
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA RTX 6000 Ada Generation
- Verwendete Chips
- 1
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Likely
- Zitationen
- 4
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- General Binding Affinity Guidance for Diffusion Models in Structure-Based Drug Design
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
BADGER wurde veröffentlicht von NVIDIA,University of California (UC) Berkeley, im Land aufgezeichnet als United States of America, während June 2024. Es stammt aus einer Organisation, die kategorisiert ist als industry,Academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet drug discovery.
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Wie es trainiert wurde
Training verbrauchte ein Korpus von etwa 100,100 Text-Tokens
Antworten
BADGER — Häufige Fragen
BADGER— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
BADGER— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
BADGER— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 2.9M. 2.9M transformer model. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
BADGER— Wer hat es erstellt?
Es wurde veröffentlicht von NVIDIA,University of California (UC) Berkeley, basiert auf United States of America, eine als kategorisierte Organisation industry,Academia.
BADGER— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in June 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
BADGER— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von drug discovery. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.