DiffBindFR
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte dieses Modells sind OPEN, aber es wurde keine Parameteranzahl veröffentlicht. Jede MEMORY- und Geschwindigkeitszahl basiert auf dieser Zahl, daher zeigen wir lieber nichts als eine erfundene Schätzung..
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
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Organisationsart
- Academia,Research collective
- Land
- China
- Veröffentlicht
- 9 April 2024
- Autoren
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, Luhua Lai
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein-ligand binding affinity prediction, Protein-ligand contact prediction
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.
- Trainingsdaten
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
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
- 4 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: - Main model: 8× NVIDIA A800 GPUs (7.80×10¹³ FLOP/s per GPU) - MDN model: 4× NVIDIA Tesla V100-SXM2 GPUs (1.25×10¹⁴ FLOP/s per GPU) 2. Training duration (estimated from steps and step time): - Main model: 262,000 steps × 5s = 1.31×10⁶ seconds (~15 days) - MDN model: 65,000 steps × 5s = 3.25×10⁵ seconds (~3.76 days) 3. Utilization rate: 40% 4. Final calculation: Main: 8 GPUs × 7.80×10¹³ FLOP/s × 1.31×10⁶ s × 0.4 = 3.31×10²⁰ FLOPs MDN: 4 GPUs × 1.25×10¹⁴ FLOP/s × 3.25×10⁵ s ×…
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Training-Code
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
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
- 16
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Zuletzt aktualisiert
- 1 December 2025
Was die Zahlen bedeuten
Woher es kam
DiffBindFR wurde veröffentlicht von Peking University,Tsinghua-Peiking Center for Life Sciences, im Land aufgezeichnet als China, während April 2024. Die Kategorie, in die der Herausgeber fällt, ist academia,Research collective.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein-ligand binding affinity prediction, Protein-ligand contact prediction.
Veröffentlichte Gewichte bedeuten, dass das Modell auf deinem Rechner läuft und nicht auf dem eines anderen, was die Hardwarefrage unten überhaupt beantwortbar macht.
Was in den Aufbau geflossen ist
Das Training benötigte ein Rechenbudget von ungefähr 4 × 10²⁰ FLOP. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
DiffBindFR — Häufige Fragen
DiffBindFR— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein-ligand binding affinity prediction, Protein-ligand contact prediction. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
DiffBindFR— Wo kann ich es herunterladen?
Die Gewichte sind veröffentlicht, obwohl wir keinen Repository-Link dafür haben. Diese Seite berechnet die Hardware-Anforderungen, anstatt Modell-Dateien zu hosten.
DiffBindFR— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4 × 10²⁰ FLOP. 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.
DiffBindFR— Welche GPU benötige ich, um es auszuführen?
Wir können nichts sagen. Es hat offene Gewichte, aber es wurde keine Parameteranzahl veröffentlicht, und jede Berechnung von Speicher und Geschwindigkeit basiert auf dieser Zahl. Wir würden lieber nichts zeigen als eine erfundene Schätzung.
DiffBindFR— Ist es Open-Source?
Die Gewichte sind veröffentlicht, sodass sie heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden können. Beachten Sie, dass OPEN WEIGHTS nicht dasselbe wie OPEN SOURCE im vollen Sinne ist — es sagt nichts über die Trainingsdaten, den Trainingscode oder die damit verbundenen kommerziellen Bedingungen aus.
DiffBindFR— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
DiffBindFR— Wer hat es erstellt?
Es wurde veröffentlicht von Peking University,Tsinghua-Peiking Center for Life Sciences, basiert auf China, eine als kategorisierte Organisation academia,Research collective.
DiffBindFR— 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.
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.