SaProt
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
- Zhejiang University (ZJU),Westlake University
- Organisationsart
- Academia,Academia
- Land
- China
- Veröffentlicht
- 19 April 2024
- Autoren
- Jin Su, Chenchen Han, Yuyang Zhou, Junjie Shan, Xibin Zhou, Fajie Yuan
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein or nucleotide language model (pLM/nLM)
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
- 650M
- Trainingsdaten
- tokens
"To our knowledge, SaProt stands out as the PLM currently trained with the largest number of protein structures, containing 650 million parameters" Assume 40% utilization, FP16 tensor precision
4.0 × 10⁷ sequences × 3.0 × 10² tokens/sequence = 1.2 × 10¹⁰ tokens
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 6.2 × 10²² FLOP
- Wie es etabliert wurde
- Hardware
"Its training lasted 3 months and utilized 64 NVIDIA 80G A100 GPUs," 64*312000000000000*0.4*3months=6.210847e+22
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 A100
- Verwendete Chips
- 64
- Wand-Uhrzeit
- 2,160 hours (90 days)
- Stromverbrauch
- 50.6 kW
"Its training lasted 3 months "
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 229
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- SaProt: Protein Language Modeling with Structure-aware Vocabulary
- Zuletzt aktualisiert
- 1 January 2026
Was die Zahlen bedeuten
Über dieses Modell
SaProt wurde veröffentlicht von Zhejiang University (ZJU),Westlake University, im Land aufgezeichnet als China, während April 2024. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein or nucleotide language model (pLM/nLM).
Seine Gewichte wurden niemals veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarten ändern das.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 6.2 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
SaProt — Häufige Fragen
SaProt— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 6.2 × 10²² FLOP, auf Hardware erfasst als NVIDIA A100. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
SaProt— 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.
SaProt— 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.
SaProt— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 650M. "To our knowledge, SaProt stands out as the PLM currently trained with the largest number of protein structures, containing 650 million parameters" Assume 40% utilization, FP16 tensor precision. 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.
SaProt— Wer hat es erstellt?
Es wurde veröffentlicht von Zhejiang University (ZJU),Westlake University, basiert auf China, eine als kategorisierte Organisation academia,Academia.
SaProt— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in April 2024. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
SaProt— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein or nucleotide language model (pLM/nLM). Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
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.