RESP AI
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Das Gewicht dieses Modells ist offen zugänglich, aber keine Parameteranzahl wurde dafür veröffentlicht. Jede Speicher- und Geschwindigkeitsangabe basiert auf dieser Zahl, daher möchten wir lieber nichts anzeigen als eine gefälschte Schätzung..
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 California San Diego
- Organisationstyp
- Academia
- Land
- United States of America
- Veröffentlicht
- 28 January 2023
- Autoren
- Jonathan Parkinson, Ryan Hard, Wei Wang
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Drug discovery, Proteins
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
- tokens
- Epochen
- 8
"The end result of this process was thus a library of roughly 6 million sequences, half of which are human B-cell receptors and the other half of which are not. The autoencoder model is thus trained both to encode an input sequence and to embed information about typical features observed in true antibody sequences. The autoencoder was implemented using the PyTorch library in Python 3.6.9 and trained on the full 6 million sequence dataset until convergence." sequence length: 132 (amino acids) 6…
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
- Open — downloadable
- Modellzugang
- Open weights (unrestricted)
- Trainingscode
- Open source
"The code used in this study is available online at https://github.com/ Wang-lab-UCSD/RESP (https://doi.org/10.5281/zenodo.7508853), together with instructions on how to reproduce all key computational experiments."
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- The RESP AI model accelerates the identification of tight-binding antibodies
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
RESP AI was published by University of California San Diego, in United States of America, in January 2023. The organisation is categorised as academia.
It works in Biology, and is recorded as doing drug discovery, Proteins.
Das Offensein der Gewichte ist es, was diese Seite in den Rechner und nicht nur in den Katalog bringt: es ist ein Modell, das man tatsächlich halten kann.
Antworten
RESP AI — Häufig gestellte Fragen
When was RESP AI released?
RESP AI was published in January 2023. 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 RESP AI used for?
RESP AI works in Biology, and is recorded as handling drug discovery, Proteins. These are the areas it was designed around; they describe intent rather than a hard boundary.
Where can I download RESP AI?
The weights for RESP AI are published, though we do not hold a repository link for it. This site calculates hardware requirements rather than hosting model files.
What GPU do I need to run RESP AI?
We cannot say. RESP AI has open weights, but no parameter count has been published for it, and every memory and speed calculation starts from that number. We would rather show nothing than a fabricated estimate.
Is RESP AI open source?
Its weights are published, so RESP AI can be downloaded and run on your own hardware. Note that open weights is not the same as open source in the full sense — it says nothing about the training data, the training code, or the commercial terms attached.
How many parameters does RESP AI have?
No parameter count has been published for RESP AI, which is why no memory or speed figure appears on this page.
Who created RESP AI?
RESP AI was published by University of California San Diego, based in United States of America, categorised as academia.
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.