ProtChatGPT
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 Technology Sydney,Zhejiang University (ZJU)
- Organisationstyp
- Academia,Academia
- Land
- Australia, China
- Veröffentlicht
- 15 February 2024
- Autoren
- Chao Wang, Hehe Fan, Ruijie Quan, Yi Yang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Protein question answering
- Basis-Modell
- Llama 3-8B
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.
- Parameter
- 8B
- Trainingsdaten
- tokens
Stage 1: - Proteins: 549,000 × 500 = 2.745 × 10⁸ - Descriptions: 549,000 × 50 = 2.745 × 10⁷ - Total: 2.745 × 10⁸ + 2.745 × 10⁷ = 3.0195 × 10⁸ Stage 2: - Proteins: 143,508 × 500 = 7.1754 × 10⁷ - Descriptions: 143,508 × 50 = 7.1754 × 10⁶ - Total: 7.1754 × 10⁷ + 7.1754 × 10⁶ = 7.892 × 10⁷ Final Total: 3.0195 × 10⁸ + 7.892 × 10⁷ = 3.8087 × 10⁸
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
- 7.2 × 10²³ FLOP
- Wie es etabliert wurde
- Hardware
- Feinabstimmung Rechenleistung
- 3.5 × 10¹⁹ FLOP
GPU hours: 86400s*9.9e+14*2*0.4=6.8e+19 6ND: 6*8000000000*380000001=18240000048000000000 GMean(1.8e+19,6.8e+19)=3.5e+19 Base model: 7.2e+23 Total: 720035320120906900000000
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA H100 SXM5 80GB
- Verwendete Chips
- 2
- Wand-Uhrzeit
- 24 hours
- Stromverbrauch
- 2.8 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
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
"Code and our pre-trained model will be publicly available" as of May'25 I cannot find it
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Wahrscheinlich über 10²³ FLOP
- Yes
- Aufzeichnungszuversicht
- Confident
- Zitationen
- 23
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- ProtChatGPT: Towards Understanding Proteins with Large Language Models
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Hintergrund
ProtChatGPT was published by University of Technology Sydney,Zhejiang University (ZJU), in Australia, in February 2024. It comes out of academia,Academia.
It works in Biology, and is recorded as doing protein question answering.
It is derived from Llama 3-8B rather than trained from scratch, which is the usual way a specialised model is produced.
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
Producing it required around 7.2 × 10²³ FLOP of arithmetic, on NVIDIA H100 SXM5 80GB, which is a statement about the training budget rather than about inference.
Antworten
ProtChatGPT — Häufig gestellte Fragen
What is ProtChatGPT used for?
ProtChatGPT works in Biology, and is recorded as handling protein question answering. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train ProtChatGPT?
Around 7.2 × 10²³ FLOP, on NVIDIA H100 SXM5 80GB. 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 ProtChatGPT?
None. ProtChatGPT 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 ProtChatGPT open source?
No. ProtChatGPT has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does ProtChatGPT have?
ProtChatGPT has 8B parameters. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ProtChatGPT?
ProtChatGPT was published by University of Technology Sydney,Zhejiang University (ZJU), based in Australia, categorised as academia,Academia.
When was ProtChatGPT released?
ProtChatGPT 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.
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.