PeTriBERT
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
- University of Montpellier,BionomeeX
- Organisationsart
- Academia,Industry
- Land
- France
- Veröffentlicht
- 13 August 2022
- Autoren
- Baldwin Dumortier, Antoine Liutkus, Clément Carré, Gabriel Krouk
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Protein generation
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
- 40M
- Trainingsdaten
- tokens
Training sequence data points = 290,000 proteins × 1,024 tokens/protein = 297,160,000 tokens (~2.97×10⁸)
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
- 1 × 10²⁰ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 8x NVIDIA Tesla V100 SXM2 32GB GPUs (1.25 x 10^14 FLOP/s per GPU) 2. Training duration: 70 hours (directly provided) = 252,000 seconds 3. Utilization rate: 40% 4. Final calculation: 1.25 x 10^14 FLOP/s/GPU × 8 GPUs × 252,000 seconds × 0.4 = 1.0 x 10^20 FLOPs
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 Tesla V100 DGXS 32 GB
- Verwendete Chips
- 8
- Wand-Uhrzeit
- 70 hours
- Stromverbrauch
- 4.0 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
- 14
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- PeTriBERT : Augmenting BERT with tridimensional encoding for inverse protein folding and design
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Was dieses Modell ist
PeTriBERT wurde veröffentlicht von University of Montpellier,BionomeeX, im Land aufgezeichnet als France, während August 2022. Es stammt aus einer Organisation, die kategorisiert ist als academia,Industry.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet protein generation.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Training und Herkunft
Das Training benötigte ein Rechenbudget von ungefähr 1 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA Tesla V100 DGXS 32 GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Antworten
PeTriBERT — Häufige Fragen
PeTriBERT— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 1 × 10²⁰ FLOP, auf Hardware erfasst als NVIDIA Tesla V100 DGXS 32 GB. 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.
PeTriBERT— 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.
PeTriBERT— 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.
PeTriBERT— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 40M. 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.
PeTriBERT— Wer hat es erstellt?
Es wurde veröffentlicht von University of Montpellier,BionomeeX, basiert auf France, eine als kategorisierte Organisation academia,Industry.
PeTriBERT— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2022. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
PeTriBERT— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von protein generation. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
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.