PocketFlow
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 Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University
- Organisationstyp
- Academia,Academia
- Land
- China, United States of America
- Veröffentlicht
- 29 September 2024
- Autoren
- Zaixi Zhang, Marinka Zitnik, Qi Liu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Protein design, 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
- tokens
- Epochen
- 20
CrossDocked: 100,000 complexes × (100 residues + 50 atoms) = 15,000,000 MOAD: 40,000 pairs × (100 residues + 50 atoms) = 6,000,000 Total: 15,000,000 + 6,000,000 = 21,000,000 datapoints = 2.1 × 10⁷
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.
- Wie es etabliert wurde
- Hardware
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
- Stromverbrauch
- 433 W
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Likely
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Generalized Protein Pocket Generation with Prior-Informed Flow Matching
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Hintergrund
PocketFlow was published by University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University, in China, in September 2024. The organisation is categorised as academia,Academia.
It works in Biology, and is recorded as doing protein design, Drug discovery.
Seine Gewichte wurden nie veröffentlicht, daher kann es nur über seinen Anbieter erreicht werden. Keine Grafikkarte ändert das.
Antworten
PocketFlow — Häufig gestellte Fragen
What is PocketFlow used for?
PocketFlow works in Biology, and is recorded as handling protein design, Drug discovery. These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run PocketFlow?
None. PocketFlow 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 PocketFlow open source?
The licensing for PocketFlow 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 PocketFlow have?
No parameter count has been published for PocketFlow, which is why no memory or speed figure appears on this page.
Who created PocketFlow?
PocketFlow was published by University of Science and Technology of China (USTC),State Key Laboratory of Cognitive Intelligence,Harvard University, based in China, categorised as academia,Academia.
When was PocketFlow released?
PocketFlow was published in September 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.