Text2Protein
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 California San Diego,Brown University
- Organisationstyp
- Academia,Academia
- Land
- United States of America
- Veröffentlicht
- 13 September 2024
- Autoren
- Ramtin Hosseini, Siyang Zhang, Pengtao Xie
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Biology
- Aufgabe
- Protein design
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
Training set: 10,898 * 0.95 = 10,353 proteins Average residues per protein: 100 Total datapoints = 10,353 * 100 = 1,035,300 Range validation: Minimum (40 residues): 10,353 * 40 = 414,120 Maximum (256 residues): 10,353 * 256 = 2,648,768 Final estimate: ~1.0e6 datapoints
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
- 5.5 × 10¹⁹ FLOP
- Wie es etabliert wurde
- Hardware
1. Hardware setup: 1x NVIDIA RTX 3090 (1.60e14 FLOP/s FP16 tensor) 2. Training duration: 10 days provided directly (864,000 seconds) 3. Utilization rate: 40% 4. Calculation: 1.60e14 FLOP/s × 1 GPU × 864,000s × 0.4 = 5.5e19 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 GeForce RTX 3090
- Wand-Uhrzeit
- 240 hours (10 days)
"We trained the diffusion model for approximately 500,000 iterations with a batch size of 248. The entire training process, conducted on an NVIDIA RTX 3090 GPU, took about 10 days to complete."
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
- Text2Protein: A Generative Model for Designated Protein Design on Given Description
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Hintergrund
Text2Protein was published by University of California San Diego,Brown University, in United States of America, in September 2024. The organisation is categorised as academia,Academia.
It works in Biology, and is recorded as doing protein design.
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.
Wie es trainiert wurde
Training it took roughly 5.5 × 10¹⁹ FLOP of computation, on NVIDIA GeForce RTX 3090 — a measure of what producing the model cost, not of how fast it answers.
Antworten
Text2Protein — Häufig gestellte Fragen
What GPU do I need to run Text2Protein?
None. Text2Protein 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 Text2Protein open source?
The licensing for Text2Protein 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 Text2Protein have?
No parameter count has been published for Text2Protein, which is why no memory or speed figure appears on this page.
Who created Text2Protein?
Text2Protein was published by University of California San Diego,Brown University, based in United States of America, categorised as academia,Academia.
When was Text2Protein released?
Text2Protein 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.
What is Text2Protein used for?
Text2Protein works in Biology, and is recorded as handling protein design. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train Text2Protein?
Around 5.5 × 10¹⁹ FLOP, on NVIDIA GeForce RTX 3090. 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.