ESM-AA
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
- Peking University,Nanjing University,Tsinghua University,PharMolix
- Organisationsart
- Academia,Academia,Academia,Industry
- Land
- China
- Veröffentlicht
- 5 April 2024
- Autoren
- Kangjie Zheng, Siyu Long, Tianyu Lu, Junwei Yang, Xinyu Dai, Ming Zhang, Zaiqing Nie, Wei-Ying Ma, Hao Zhou
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins
- Basis-Modell
- ESM2-35M
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
- 35M
- Trainingsdaten
- 1,143,750,000 tokens
Assuming 300 tokens per protein and 100 token per molecule 8M*300+209M*100=23300000000
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
- 7.3 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware: 16x NVIDIA A100 GPUs (3.12e14 FLOP/s per GPU) 2. Training duration: 3 days directly reported = 259,200 seconds 3. Utilization: 40% assumed 4. Calculation: 3.12e14 FLOP/s × 16 GPUs × 259,200s × 0.40 = 5.18e20 FLOPs Base model: 209999999999999970000 Total: 209999999999999970000+5.18e20=728000000000000000000
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
- 16
- Wand-Uhrzeit
- 72 hours
- Stromverbrauch
- 12.7 kW
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
- 19
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- ESM All-Atom: Multi-scale Protein Language Model for Unified Molecular Modeling
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
ESM-AA wurde veröffentlicht von Peking University,Nanjing University,Tsinghua University,PharMolix, im Land aufgezeichnet als China, während April 2024. Die Kategorie, in die der Herausgeber fällt, ist academia,Academia,Academia,Industry.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins.
Der Ausgangspunkt war ein vorhandenes Basis-Modell, ESM2-35M. Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Wie es trainiert wurde
Der Trainingslauf verbrauchte etwa 7.3 × 10²⁰ 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.
Es wurde auf einem Korpus von etwa 1,143,750,000 Text-Tokens
Antworten
ESM-AA — Häufige Fragen
ESM-AA— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 35M. 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.
ESM-AA— Wer hat es erstellt?
Es wurde veröffentlicht von Peking University,Nanjing University,Tsinghua University,PharMolix, basiert auf China, eine als kategorisierte Organisation academia,Academia,Academia,Industry.
ESM-AA— 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.
ESM-AA— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein folding prediction, Protein or nucleotide language model (pLM/nLM), Proteins. Dies sind die Bereiche, um die es entworfen wurde; sie beschreiben die Absicht und nicht eine harte Grenze.
ESM-AA— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 7.3 × 10²⁰ 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.
ESM-AA— 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.
ESM-AA— 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.
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.