FoldFlow2
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Das Gewicht dieses Modells ist offen zugänglich, aber keine Parameteranzahl wurde dafür veröffentlicht. Jede Speicher- und Geschwindigkeitsangabe basiert auf dieser Zahl, daher möchten wir lieber nichts anzeigen als eine gefälschte Schätzung..
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford
- Organisationstyp
- Industry,Academia,Academia,Academia
- Land
- Canada, United Kingdom of Great Britain and Northern Ireland
- Veröffentlicht
- 30 May 2024
- Autoren
- Guillaume Huguet, James Vuckovic, Kilian Fatras, Eric Thibodeau-Laufer, Pablo Lemos, Riashat Islam, Cheng-Hao Liu, Jarrid Rector-Brooks, Tara Akhound-Sadegh, Michael Bronstein, Alexander Tong, Avishek Joey Bose
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Protein generation, Protein design
- Basis-Modell
- ESM2-650M
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Trainingsdaten
- 48,000,000 tokens
Average protein length = (60 + 384) / 2 = 222 residues Total datapoints = 160,000 structures × 222 residues = 35,520,000
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 7.6 × 10²¹ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 2x NVIDIA A100 40GB GPUs (3.12 x 10^14 FLOP/s per GPU) 2. Training duration: 4 days (directly provided) = 345,600 seconds 3. Utilization rate: 40% 4. Calculation: 2 GPUs × 3.12×10^14 FLOP/s × 345,600s × 0.4 = 8.6×10^19 FLOPs Base model: 7.560000000001e+21 Total: 7646000000001000000000
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA A100
- Verwendete Chips
- 2
- Wall-clock time
- 96 hours
- Stromverbrauch
- 1.6 kW
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (non-commercial)
- Trainingscode
- Open (non-commercial)
CC NC 4.0 https://github.com/DreamFold/FoldFlow weights https://github.com/DreamFold/FoldFlow/releases/tag/0.2.0
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
- Zitationen
- 49
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
FoldFlow2 was published by Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, in Canada, in May 2024. industry,Academia,Academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing protein generation, Protein design.
Its starting point was ESM2-650M — most models at this scale are adapted from an existing base rather than built from nothing.
Weil seine Gewichte veröffentlicht wurden, hängt nichts von einem Anbieter ab, der verfügbar bleibt - es gehört dir, sobald es heruntergeladen ist.
Training und Herkunft
Producing it required around 7.6 × 10²¹ FLOP of arithmetic, on NVIDIA A100, which is a statement about the training budget rather than about inference.
It was trained on about 48,000,000 tokens of text.
Antworten
FoldFlow2 — Häufig gestellte Fragen
What is FoldFlow2 used for?
FoldFlow2 works in Biology, and is recorded as handling protein generation, Protein design. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download FoldFlow2?
The weights for FoldFlow2 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 FoldFlow2?
Around 7.6 × 10²¹ FLOP, on NVIDIA A100. 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 FoldFlow2?
We cannot say. FoldFlow2 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 FoldFlow2 open source?
Its weights are published, so FoldFlow2 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 FoldFlow2 have?
No parameter count has been published for FoldFlow2, which is why no memory or speed figure appears on this page.
Who created FoldFlow2?
FoldFlow2 was published by Dreamfold,University of Montreal / Université de Montréal,McGill University,University of Oxford, based in Canada, categorised as industry,Academia,Academia,Academia.
When was FoldFlow2 released?
FoldFlow2 was published in May 2024. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.