DecompDiff
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
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
- University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University
- Organisationstyp
- Academia,Industry,Academia,Academia,Academia
- Land
- United States of America, China
- Veröffentlicht
- 26 February 2024
- Autoren
- Jiaqi Guan, Xiangxin Zhou, Yuwei Yang, Yu Bao, Jian Peng, Jianzhu Ma, Qiang Liu, Liang Wang, Quanquan Gu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Drug discovery
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
- 12,500,000 tokens
"100,000 complexes are selected for training" (diffusion based model)
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
- 1.9 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 1x NVIDIA A100 GPU (3.12e14 FLOPs/s for FP16) 2. Training duration: 41.7 hours (provided directly) = 150,120 seconds 3. Utilization rate: 40% (assumed) 4. Calculation: 3.12e14 FLOPs/s × 1 GPU × 150,120s × 0.4 = 1.873e19 FLOPs
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
- 1
- Wand-Uhrzeit
- 42 hours
- Stromverbrauch
- 435 W
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
- 119
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Woher es kam
DecompDiff was published by University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University, in United States of America, in February 2024. academia,Industry,Academia,Academia,Academia is the category the publisher falls under.
It works in Biology, and is recorded as doing drug discovery.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie produziert hat, und es gibt keine lokale Version, die ausgeführt werden kann.
Was in den Aufbau geflossen ist
Der Trainingslauf verbrauchte etwa 1,9 × 10¹⁹ FLOP auf NVIDIA A100. Diese Zahl beschreibt die Kosten für die Erstellung und hat keinen Einfluss darauf, wie schnell sie Text erzeugt.
The training set ran to roughly 12,500,000 tokens.
Antworten
DecompDiff — Häufig gestellte Fragen
What GPU do I need to run DecompDiff?
None. DecompDiff is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is DecompDiff open source?
The licensing for DecompDiff was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does DecompDiff have?
No parameter count has been published for DecompDiff, which is why no memory or speed figure appears on this page.
Who created DecompDiff?
DecompDiff was published by University of Illinois Urbana-Champaign (UIUC),ByteDance,University of Chinese Academy of Sciences,Chinese Academy of Sciences,Tsinghua University, based in United States of America, categorised as academia,Industry,Academia,Academia,Academia.
When was DecompDiff released?
DecompDiff was published in February 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.
What is DecompDiff used for?
DecompDiff works in Biology, and is recorded as handling drug discovery. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train DecompDiff?
Around 1.9 × 10¹⁹ 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.
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.